A Hybrid Deep Network Representation Model for Detecting Researchers’ Communities
محل انتشار: مجله هوش مصنوعی و داده کاوی، دوره: 10، شماره: 2
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 192
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JADM-10-2_008
تاریخ نمایه سازی: 28 خرداد 1401
چکیده مقاله:
Recently, network representation has attracted many research works mostly concentrating on representing of nodes in a dense low-dimensional vector. There exist some network embedding methods focusing only on the node structure and some others considering the content information within the nodes. In this paper, we propose HDNR; a hybrid deep network representation model, which uses a triplet deep neural network architecture that considers both the node structure and content information for network representation. In addition, the author's writing style is also considered as a significant feature in the node content information. Inspired by the application of deep learning in natural language processing, our model utilizes a deep random walk method to exploit inter-node structures and two deep sequence prediction methods to extract nodes' content information. The embedding vectors generated in this manner were shown to have the ability of boosting each other for learning optimal node representation, detecting more informative features and ultimately a better community detection. The experimental results confirm the effectiveness of this model for network representation compared to other baseline methods.
کلیدواژه ها:
نویسندگان
A. Torkaman
Department of Computer, South Tehran Branch, Islamic Azad University, Tehran, Iran
K. Badie
E-Services and E-Content Research Group, IT Research Faculty, ICT Research Institute, Tehran, Iran
A. Salajegheh
Department of Computer, South Tehran Branch, Islamic Azad University, Tehran, Iran
M. H. Bokaei
Department of Information Technology, ICT Research Institute, Tehran, Iran
Seyed F. Fatemi
Sharif University of Technology, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :