Resumen

En este trabajo, proponemos incorporar un grafo rico en contenido con el fin de buscar la similitud de un nodo de consulta. En esta red, además de la información de los nodos y aristas, también tenemos el contenido de cada nodo. Utilizamos la red neuronal convolucional (CNN) para representar el contenido de cada nodo y, a continuación, utilizamos la red convolucional de grafos (GCN) para representar aún más el nodo mediante la fusión de las representaciones de sus nodos vecinos. La salida de la GCN se alimenta además a un modelo codificador-decodificador profundo para convertir cada nodo en una distribución gaussiana y luego volver a convertirlo en su identidad de nodo. La disimilitud entre los dos nodos se mide por la distancia de Wasserstein entre sus distribuciones gaussianas. Definimos los nodos de la red como positivos si son relevantes para el nodo de consulta y negativos si son irrelevantes. El etiquetado de los positivos/negativos se basa en un límite superior y un límite inferior de las distancias Wasserstein entre los nodos candidatos y los nodos de la consulta. Aprendemos los parámetros de la CNN, la GCN, el modelo codificador-decodificador, las distribuciones gaussianas y los límites superior e inferior conjuntamente. El problema de aprendizaje se modela como un problema de minimización para minimizar las pérdidas de la identificación de nodos, la preservación de la estructura de la red, la distancia de relevancia específica de la consulta positiva/negativa y la complejidad del modelo. Se desarrolla un algoritmo iterativo para resolver el problema de minimización. Realizamos experimentos con redes de referencia, especialmente redes de innovación, para verificar la eficacia del método propuesto y demostramos su ventaja sobre los métodos más avanzados.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:distribución gaussiana, nodo de consulta, nodo, distancia wasserstein, problema de minimización, modelo decodificador, límite superior, contenido, red neuronal convolucional, preservación de la estructura de la red
• Keywords:gaussian distribution, query node, node, wasserstein distance, minimization problem, decoder model, upper bound, content, convolutional neural network, network structure preservation