报告题目：基于多维信息融合的网络表示学习算法研究
报告摘要：
网络表示学习旨在为网络中节点学习潜在的低维向量表示，同时保留网络拓扑结构、节点特征以及其他网络信息，是网络分析的重要前提。现实网络往往蕴含多维度的结构或语义信息，而当前网络表示学习算法主要针对网络中单一维度信息进行建模，或对多维度信息挖掘不充分，导致学习到的节点向量表示质量下降。在本次报告中，在结构信息融合表征方面，我将首先介绍基于高阶近似与社群结构信息融合的网络表示学习算法，实现网络中隐性社群结构信息的有效挖掘与利用；然后，在语义信息融合表征方面，将介绍基于双重语义信息融合的网络表示学习算法，实现节点冲突语义下的双重语义信息融合；最后，在相似性信息融合表征方面，将介绍基于低频信息与高频信息融合的网络表示学习算法，实现单个向量表示空间中的节点双重相似性融合。在真实网络数据集上的大量实验证明了所提出算法的有效性。
报告人简介：
李玉，男，本硕博均毕业于伟德bevictor中文版计算机科学与技术学院。主要研究方向为网络表示学习、 数据挖掘和机器学习等。
主办单位：BETVLCTOR伟德官方网站
报告时间：2023年9月13日（星期三)下午13:00
报告地点：腾讯会议 249326734
