基于霍克斯点过程的动态网络表示学习方法

网络表示学习是将网络中的节点映射到低维空间形成低维稠密特征向量的分布式学习方法.本文在现有网络表示学习研究的基础上,提出一种基于霍克斯点过程的动态网络表示学习方法.该方法基于霍克斯点过程有效结合了网络历史连边信息和网络演化中的三元闭包特性对当前节点产生连边的影响,解决了现有方法难以有效捕捉网络历史信息和演化特性的问题.在多种数据集的实验结果表明,本文提出的方法较其它方法在节点分类、链路预测和可视化等实验中的性能均有较大的提高,实验中的F1分数值和AUC值分别提高了3.72%~6.41%和2.22%~4.69%.     

网络表示学习的研究与发展

网络表示学习旨在将网络中的节点表示成低维稠密且具有一定推理能力的向量,以运用于节点分类、社区发现和链路预测等社交网络应用任务中,是连接网络原始数据和网络应用任务的桥梁。传统的网络表示学习方法都是针对网络中节点和连边只有一种类型的同质信息网络的表示学习方法,而现实世界中的网络往往是具有多种节点和连边类型的异质信息网络。而且,从时间维度上来看,网络是不断变化的。因此,网络表示学习的研究方法随着网络数据的复杂化而不断变化。对近年来针对不同网络的网络表示学习方法进行了分类介绍,并阐述了网络表示学习的应用场景。     

大直径旋挖嵌岩灌注桩水平荷载试验研究

桩在水平荷载作用下的受力性状,是一个复杂的桩土相互作用过程。结合工程实例,实测得到了水平荷载作用下大直径嵌岩灌注桩桩土共同作用时的工作性状,分析了桩体水平力—位移—时程关系、水平力与位移梯度关系、临界荷载、地基土的水平抗力比例系数、桩身应力分布以及弯矩随桩长分布。试验结果可为今后同类桩的设计与研究提供参考。     

基于D-S证据理论的网络表示融合方法

随着网络表示学习技术的发展,在网络结构信息的基础上,越来越多的研究者考虑融入额外辅助信息来提升网络表示效果.针对现有网络表示学习方法中对于多属性特征融合缺乏冲突判别与评价指标的问题,本文在已有研究基础上,提出一种基于D-S证据理论的网络表示融合方法.本方法首先通过SVM算法给出不同属性信息对融合表示结果的支持度,然后利用证据组合规则计算网络表示学习中的融合评价指标,并依据混淆矩阵考虑各类别在节点分类中的局部可信度.在3类数据集上的仿真实验表明：本方法对于检测网络表示融合中的冲突,提高表示融合效果具有一定的指导意义.