基于异构网络表征学习的作者学术行为预测

摘要：

作者学术行为预测旨在从异构学术网络中挖掘作者的行为关系,以促进科研合作,产出高水平、高质量的研究成果.现有的节点表示方法大多未考虑节点的语义特征、内容特征、全局结构等,难以有效学习网络中节点的低维特性.为有效融合节点的多维特征和全局结构,提出了一种集成BiLSTM、注意力机制和聚类算法的异构网络表示学习方法HNEMA,以提高学术网络中作者的学术行为预测效果.HNEMA首先基于BiLSTM和注意力机制融合节点的多维特征,聚合同一元路径下或不同元路径下相同类型的邻居,随后聚合待表征节点的所有邻居的多维特征.基于此,采用聚类算法捕获节点的全局特征,从而全面有效地学习节点的低维特性.在全面特征学习的基础上,应用逻辑回归分类器预测作者的学术行为.在3个公开数据集上的验证实验结果表明,相比其他方法,HNEMA在AUC和F1指标上都有一定程度的提升.

关键词：异构网络、网络表征学习、链接预测、元路径

所属期刊栏目：49

分类号：TP183(自动化基础理论)

资助基金：四川省科技计划项目2019YFSY0032

在线出版日期：2022-09-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：76-82