多粒度网络表示学习:理论与实践

0 下载量 198 浏览量 更新于2024-08-28 收藏 980KB PDF 举报
"基于多粒度结构的网络表示学习" 是一篇发表在《智能系统学报》上的研究论文,由张蕾、钱峰、赵姝、陈洁、张燕平和刘峰共同完成,于2019年5月23日提交并最终在网络首发日期2019年9月2日发布。该论文探讨了在智能系统领域,如何利用多粒度网络结构来提升网络表示学习的效果。网络表示学习是一种关键的机器学习技术,它将复杂的数据结构转化为可用于算法处理的简洁表示,这对于理解和分析大规模网络数据至关重要。 网络表示学习通常涉及到节点、边和社区等多个层次的信息融合,多粒度结构则意味着在不同的抽象层次上捕捉网络的特性。这种方法有助于挖掘网络中的深层次关联,提高模型的鲁棒性和泛化能力。在文章中,作者可能讨论了多粒度结构的设计策略,如节点特征选择、聚合函数应用以及如何整合不同粒度间的知识表示。 为了确保论文的质量,作者遵循了严格的出版流程,从录用定稿到整期汇编定稿,每一步都需符合《出版管理条例》和《期刊出版管理规定》的要求。录用定稿在网络首发时要求内容创新性、科学性、先进性,无学术不端行为,同时须符合国家的技术标准,规范使用语言文字和符号。一旦论文被录用,其题目、作者、机构和学术内容将保持不变,仅限于编辑规范内的小范围修改。 这篇论文的网络首发是在《中国学术期刊(网络版)》平台上,作为国家认可的网络连续型出版物,其在线发布标志着文章正式出版。通过引用DOI:10.11992/tis.2019050,读者可以追踪和引用这篇重要的研究。总体来说,该论文的研究成果对于理解网络数据表示学习的最新进展和技术挑战具有重要意义,为网络分析和机器学习领域的研究者提供了有价值的新视角。"