-
公开(公告)号：CN109165743A
公开(公告)日：2019-01-08
申请号：CN201810786674.7
申请日：2018-07-17
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度压缩自编码器的半监督网络表示学习算法LSDNE(LabeledStructural Deep Network Embedding)，包含如下步骤：搭建模型，使用深度信念网络(DBN)对输入数据进行预训练，得到模型参数的初值，用网络的邻接矩阵以及拉普拉斯矩阵作为输入；使用深度压缩自编码器编码网络，获得节点的全局结构特征；使用拉普拉斯特征映射，获得节点的局部结构特征；使用SVM分类器对已知标签节点进行分类，对整个模型进行调优；使用Adam优化模型，获得节点的表示。本发明能够同时利用网络的结构信息以及节点的标签信息进行网络表示学习，并且使用了深度学习模型，使得节点的表示在标签分类任务上的表现优于目前已存在的算法。利用深度压缩自编码器能降低过拟合现象，使模型拥有更好的泛化性能。
Search Results
1
records
(took 0.013 seconds)
筛选
AND
AND
过滤
NOT
NOT
Scan to Join
