计算机工程

作者：夏青青, 朱宇, 王晓英, 黄建强, 曹腾飞

单位：1. 青海大学计算机技术与应用学院, 青海 西宁 8100162. 青海大学青海省智能计算与应用实验室, 青海 西宁 810016

关键词：表示学习,高阶元组关系,重要性采样,数据增强,负采样增强,链接预测,超网络重建

基金：国家自然科学基金(62166032); 国家自然科学基金(62162053); 青海省自然科学基金(2022-ZJ-961Q)

异质超网络能够建模现实世界中的各种高阶元组关系, 表征超网络的异质高阶信息, 同时异质超网络具有不同程度的不可分解性, 而现有研究方法没有充分考虑高阶元组关系(超边)的不可分解性。针对上述问题, 提出一种基于重要性采样的异质超网络表示学习方法HRIS, 将紧密高阶元组关系融入超网络表示学习中。首先, 该方法提出判断节点的概念, 融合不可分解因子与元组相似度改进随机游走对重要节点的采样来捕获超网络中紧密的高阶元组关系。其次, 为了使序列更具全局性与多样性, 引入数据增强中的随机交换方法来解决过拟合问题, 同时提出基于节点度的随机删除方法提升鲁棒性。最后, 构建一个负采样增强的skip-gram模型NSE-skip-gram来获得高质量的节点表示向量。在4个真实数据集上的实验结果表明: 对于链接预测任务, HRIS显著优于基线方法; 对于超网络重建任务, 在所有重建比例下, HRIS在全球定位系统(GPS)和drug数据集上较最优基线方法平均提升3.75和9.79百分点。

来源：2025年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第11期