为解决目前基于节点采样的图池化方法中所存在的评估节点重要性的策略过于简单以及子结构特征信息大量丢失等问题,提出了基于节点采样的子结构代表层次池化模型(sub-structure representative hierarchical pooling model based on node...为解决目前基于节点采样的图池化方法中所存在的评估节点重要性的策略过于简单以及子结构特征信息大量丢失等问题,提出了基于节点采样的子结构代表层次池化模型(sub-structure representative hierarchical pooling model based on node sampling,SsrPool)。该模型主要包括子结构代表节点选择模块和子结构代表节点特征生成模块2个部分。首先,子结构代表节点选择模块同时考虑了节点特征信息以及结构信息,利用不同方法评估节点重要性并通过不同重要性分数协作产生鲁棒的节点排名以指导节点选择。其次,子结构代表节点特征生成模块通过特征融合保留局部子结构特征信息。通过将SsrPool与现有神经网络相结合,在不同规模公共数据集上的图分类实验结果证明了SsrPool的有效性。展开更多
针对复杂网络中关键节点的识别、评估及排序问题,受物理系统中不同节点间信息的多维度、多层次相互影响过程的启发,提出了一种基于图卷积神经网络的多维参数的节点重要性评估方法.该方法结合了卷积神经网络自动学习的特性,综合考虑节点...针对复杂网络中关键节点的识别、评估及排序问题,受物理系统中不同节点间信息的多维度、多层次相互影响过程的启发,提出了一种基于图卷积神经网络的多维参数的节点重要性评估方法.该方法结合了卷积神经网络自动学习的特性,综合考虑节点的内在特性、与邻近节点的交互关系以及其在整个网络中的功能角色,构建了一种新颖的关键节点识别框架,即多维参数控制图卷积网络(multi-parameter control graph convo-lutional networks,MPC-GCN).通过卷积神经网络对节点及其邻居特征的逐层聚合,自动提取并综合节点的局部特性、全局特性及位置特性,实现对节点重要性的多维度评估,同时引入灵活的参数调整机制,允许调整不同维度信息对评估结果的影响权重,以适应不同结构网络的需求.为验证该方法的有效性,在随机生成的小型网络上验证了参数对模型的作用;并在8个大型网络上利用SIR模型进行仿真实验,以M(R)值、Kendall相关系数、被传染节点占比及最大连通子图相对大小作为评价标准.结果表明,MPC-GCN方法在单调性、准确性、适用性及鲁棒性上都优于其他相关方法,能够显著区分不同节点的重要程度.该方法有效克服了现有方法在评估角度和适应能力上的局限性,提高了评估的全面性和适用性.展开更多
为进一步优化重叠社区检测算法,提出了一种新的基于度和节点聚类系数的节点重要性定义,按照节点重要性降序更新节点,固定节点更新策略,提高社区检测的稳定性。在此基础上,提出了一种基于图嵌入和多标签传播的重叠社区检测算法(overlappi...为进一步优化重叠社区检测算法,提出了一种新的基于度和节点聚类系数的节点重要性定义,按照节点重要性降序更新节点,固定节点更新策略,提高社区检测的稳定性。在此基础上,提出了一种基于图嵌入和多标签传播的重叠社区检测算法(overlapping community detection based on graph embedding and multi-label propagation algorithm,OCD-GEMPA)。该算法结合node2vec模型对节点进行低维向量表示,构建节点之间的权重值矩阵,根据权重值计算标签归属系数,据此选择标签,避免了随机选择问题。在真实数据集和人工合成数据集上对该算法进行实验验证。实验结果表明,与其他重叠社区检测算法相比,OCD-GEMPA在EQ和NMI这两个指标都有明显提升,具有更好的准确性和稳定性。展开更多
文摘为解决目前基于节点采样的图池化方法中所存在的评估节点重要性的策略过于简单以及子结构特征信息大量丢失等问题,提出了基于节点采样的子结构代表层次池化模型(sub-structure representative hierarchical pooling model based on node sampling,SsrPool)。该模型主要包括子结构代表节点选择模块和子结构代表节点特征生成模块2个部分。首先,子结构代表节点选择模块同时考虑了节点特征信息以及结构信息,利用不同方法评估节点重要性并通过不同重要性分数协作产生鲁棒的节点排名以指导节点选择。其次,子结构代表节点特征生成模块通过特征融合保留局部子结构特征信息。通过将SsrPool与现有神经网络相结合,在不同规模公共数据集上的图分类实验结果证明了SsrPool的有效性。
文摘针对复杂网络中关键节点的识别、评估及排序问题,受物理系统中不同节点间信息的多维度、多层次相互影响过程的启发,提出了一种基于图卷积神经网络的多维参数的节点重要性评估方法.该方法结合了卷积神经网络自动学习的特性,综合考虑节点的内在特性、与邻近节点的交互关系以及其在整个网络中的功能角色,构建了一种新颖的关键节点识别框架,即多维参数控制图卷积网络(multi-parameter control graph convo-lutional networks,MPC-GCN).通过卷积神经网络对节点及其邻居特征的逐层聚合,自动提取并综合节点的局部特性、全局特性及位置特性,实现对节点重要性的多维度评估,同时引入灵活的参数调整机制,允许调整不同维度信息对评估结果的影响权重,以适应不同结构网络的需求.为验证该方法的有效性,在随机生成的小型网络上验证了参数对模型的作用;并在8个大型网络上利用SIR模型进行仿真实验,以M(R)值、Kendall相关系数、被传染节点占比及最大连通子图相对大小作为评价标准.结果表明,MPC-GCN方法在单调性、准确性、适用性及鲁棒性上都优于其他相关方法,能够显著区分不同节点的重要程度.该方法有效克服了现有方法在评估角度和适应能力上的局限性,提高了评估的全面性和适用性.
文摘为进一步优化重叠社区检测算法,提出了一种新的基于度和节点聚类系数的节点重要性定义,按照节点重要性降序更新节点,固定节点更新策略,提高社区检测的稳定性。在此基础上,提出了一种基于图嵌入和多标签传播的重叠社区检测算法(overlapping community detection based on graph embedding and multi-label propagation algorithm,OCD-GEMPA)。该算法结合node2vec模型对节点进行低维向量表示,构建节点之间的权重值矩阵,根据权重值计算标签归属系数,据此选择标签,避免了随机选择问题。在真实数据集和人工合成数据集上对该算法进行实验验证。实验结果表明,与其他重叠社区检测算法相比,OCD-GEMPA在EQ和NMI这两个指标都有明显提升,具有更好的准确性和稳定性。
