一种基于簇级别的无监督科学论文异构图节点表示学习方法
机器学习
2022-04-01 v1 人工智能
摘要
学习科学论文数据的知识表示是一个待解决的问题，如何学习科学论文异构网络中论文节点的表示是解决该问题的核心。本文提出一种无监督簇级别科学论文异构图节点表示学习方法（UCHL），旨在获得科学论文异构图中节点（作者、机构、论文等）的表示。基于异构图表示，本文对整个异构图进行链接预测并获得节点边之间的关系，即论文与论文之间的关系。实验结果表明，所提方法在真实科学论文数据集的多个评价指标上取得了优异性能。
引用
@article{arxiv.2203.16751,
title = {An unsupervised cluster-level based method for learning node representations of heterogeneous graphs in scientific papers},
author = {Jie Song and Meiyu Liang and Zhe Xue and Junping Du and Kou Feifei},
journal= {arXiv preprint arXiv:2203.16751},
year = {2022}
}
备注
10 pages,3 pages