基于预测-抽样融合张量分解的学术网络表示
机器学习
2025-04-14 v1
摘要
准确地表示学术网络在类似预测科学影响这样的学术关系挖掘中具有重要意义。Latent Factorization of Tensors（LFT）模型是学习目标网络表示最有效的模型之一。然而，学术网络常常是高维且不完整（HDI），因为众多网络实体之间的关系不可能完全被探索，导致 LFT 模型难以学习准确的网络表示。为此，本文提出了一种基于预测-抽样的 Latent Factorization of Tensors（PLFT）模型，包含两个思想：1）构建级联 LFT 架构，通过学习学术网络的层次特征来增强模型表示学习能力；2）引入包含非线性激活的预测-抽样策略，通过逐层生成新的学术网络数据来更准确地学习网络表示。来自三个真实世界学术网络数据集的实验结果表明，PLFT 模型在预测网络实体之间未探索的关系时优于现有模型。
引用
@article{arxiv.2504.08323,
title = {Academic Network Representation via Prediction-Sampling Incorporated Tensor Factorization},
author = {Chunyang Zhang and Xin Liao and Hao Wu},
journal= {arXiv preprint arXiv:2504.08323},
year = {2025}
}