检索结果

Select

1. 基于密集连接卷积神经网络的链路预测模型

王文涛, 吴淋涛, 黄烨, 朱容波

计算机应用 2019, 39 (6): 1632-1638. DOI: 10.11772/j.issn.1001-9081.2018112279

摘要（470）

PDF （1061KB）（339）

现有的基于网络表示学习的链路预测算法主要通过捕获网络节点的邻域拓扑信息构造特征向量来进行链路预测，该类算法通常只注重从网络节点的单一邻域拓扑结构中学习信息，而对多个网络节点在链路结构上的相似性方面研究不足。针对此问题，提出一种基于密集连接卷积神经网络（DenseNet）的链路预测模型（DenseNet-LP）。首先，利用基于网络表示学习算法node2vec生成节点表示向量，并利用该表示向量将网络节点的结构信息映射为三维特征数据；然后，利用密集连接卷积神经网络来捕捉链路结构的特征，并建立二分类模型实现链路预测。在四个公开的数据集上的实验结果表明，相较于网络表示学习算法，所提模型链路预测结果的ROC曲线下方面积（AUC）值最大提高了18个百分点。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于改进随机游走的网络表示学习算法

王文涛, 黄烨, 吴淋涛, 柯璇, 唐菀

计算机应用 2019, 39 (3): 651-655. DOI: 10.11772/j.issn.1001-9081.2018071509

摘要（950）

PDF （817KB）（413）

现有的基于Word2vec的网络表示学习（NRL）算法使用随机游走（RW）来生成节点序列，针对随机游走倾向于选择具有较大度的节点，生成的节点序列不能很好地反映网络结构信息，从而影响表示学习性能的问题，提出了基于改进随机游走的网络表示学习算法。首先，使用RLP-MHRW算法生成节点序列，它在生成节点序列时不会偏向大度节点，得到的节点序列能更好地反映网络结构信息；然后，将节点序列投入到Skip-gram模型得到节点表示向量；最后，利用链路预测任务来测度表示学习性能。在4个真实网络数据集上进行了实验。在论文合作网络arXiv ASTRO-PH上与LINE和node2vec算法相比，链路预测的AUC值分别提升了8.9%和3.5%，其他数据集上也均有提升。实验结果表明，RLP-MHRW能有效提高基于Word2vec的网络表示学习算法的性能。

参考文献 | 相关文章 | 多维度评价

Select

3. 混合结构数据库中基于页迁移的存储分层算法

王跃清黄烨王翰虎陈梅

计算机应用 2010, 30 (11): 2962-2964.

摘要（1155）

PDF （505KB）（894）

为了有效地利用固态盘读速快以及磁盘低存储成本的特点,在磁盘和固态盘共存的混合存储结构模型下,设计并实现了一种基于页迁移思想的存储分层算法(SZA)。不同于NUMA的迁移代价计算方法,该算法按照迁移代价选择相应的存储介质,并且对不同工作负载的数据进行迁移。实验结果显示,算法有效地提升了数据库系统的I/O性能,同时大幅度地减少了对闪存的擦写次数。