【《基于注意力图卷积网络多源标签分类算法研究》3700字（论文）】_第1页
【《基于注意力图卷积网络多源标签分类算法研究》3700字（论文）】_第2页
【《基于注意力图卷积网络多源标签分类算法研究》3700字（论文）】_第3页
【《基于注意力图卷积网络多源标签分类算法研究》3700字（论文）】_第4页
【《基于注意力图卷积网络多源标签分类算法研究》3700字（论文）】_第5页
已阅读5页，还剩3页未读， 继续免费阅读

付费下载

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于注意力图卷积网络多源标签分类算法研究目录TOC\o"1-3"\h\u19230基于注意力图卷积网络多源标签分类算法研究 [72]494165941.31.3350.040Facebook40398823421.821.8460.6055Football1156135.35.3300.2021.1.3实验数据分析为了验证模型的标签分类准确性，选用LPA算法和GCN模型作为基线进行实验对比。（1）LPA算法是基于图的半监督算法，它从一个配置开始依次迭代。收敛后将标签相同的节点分组在一起，形成同一的社区标签。LPA算法在网络中在迭代传播结束后，保留少数标签，具有相同标签的节点同属于同一社区。（2）GCN是一种是对图数据进行处理的神经网络，近年来，图卷积被广泛应用与社交网络推、交通流量预测等问题。实验中GCN卷积层采用两层卷积，部分参数设置:初始化学习率设为0.001，dropout设为0.5，激活函数选用relu函数。对于实验中数据传播方式，采用SIR模型进行仿真实验，其传播结果如表4-2所示。表4-2数据传播表数据集结点数感染量未感染量源标签量Power49412233268910Facebook4039380920411Football11569415本文提出的基于注意力图卷积标签分类算法主要是从数据驱动的标签表示中，模拟分类器，得到标签分类预测值。使用softmax实现对节点i的相邻节点j正则化，公式表示为：（4-5）首先，给定特征集合Y={d1,…,dn}，N个节点样本标签值作为模型输入，网络节点便签分类Z作为输出。然后，构造特征矩阵定义权值矩阵1.1.4实验结果与分析本章通过在不同网络结构对准确率进行了模型可行性的验证。提取三个基于中心性属性特征作为模型输入，按照SIR模型进行仿真网络数据传播过程。传播过程中，随机选取部分重要节点作为源点，定义为S，传播概率设定固定值，感染节点范围超过20%。实验采用注意力图卷积（AGCN）进行仿真实验，通过对比传统的图卷积模型，验证算法的可行性。其结果如下：图4-6Loss变化情况图4-6模型损失函数变化情况。实验过程采用L1正则化防止模型过拟合。从图中可以看出，Loss函数值在迭代20次之后开始下降，迭代至80次趋于稳定。Power网络中节点度分布不均可能是导致Loss初始值过高的主要原因。图4-7模型准确率对比图由图4-7可以看出，本章所使用的AGCN模型的准确率高于传统的GCN网络。在Facebook网络中，对于网络重要节点标签预测准确率为74%。Power网络数据中准确率达82%，高于普通图卷积网络近10%。Football网络测试中准确率为51%，低于Facebook网络和Power网络，其原因可能在于Football网络

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论