基于图表示学习方法的5G学术网络分析
社会与信息网络
2021-11-17 v1 计算复杂性
摘要
随着第五代移动通信技术(5G)的快速发展,由5G论文构建的学术社交网络中多样的协作形式与广泛的数据使得学术社交网络的管理与分析日益具有挑战性。尽管表示学习在分析学术与社交网络方面取得了特定成功,但现有多数表示学习模型侧重于保持节点的一阶与二阶相似性,很少具备网络中空间独立性的相似结构特征。本文提出一种基于非负矩阵分解(NMF)的低阶网络表示学习模型(LNLM)以解决这些问题。该模型利用随机游走方法提取节点的低阶特征并将多个分量映射至低维空间,有效保持了成员间的内在关联。本文验证了该模型的性能,通过多标签分类、聚类和链接预测等下游任务在四个测试数据集与四个真实网络数据集上进行了对比实验。与八种主流网络表示学习模型比较表明,所提模型能显著提升检测效率与学习方法,并有效提取网络的局部与低阶特征。
引用
@article{arxiv.2111.08264,
title = {Analysis of 5G academic Network based on graph representation learning method},
author = {Xiaoming Li and Guangquan Xu and Wei Yu and Pengfei Jiao and Xiangyu Song},
journal= {arXiv preprint arXiv:2111.08264},
year = {2021}
}
备注
38 pages, 9 figures