Deep Fusion of Multiple Networks for Learning Latent Social Communities
Notice bibliographique
Résumé
The rapid development of techniques results in a growing diversity of social network data which require for analysis. Therefore, the deeper understanding of latent knowledge representing the social network data needs learning by combining the insights obtained from multiple, diverse networks carrying heterogeneous information featuring the interrelationship between vertices. In this manuscript, we propose a novel deepmodel- based approach to learn latent structural representation from multi-domain social network data. The algorithm, which we call Deep Multiple Networks Fusion (DMNF), is able to discover an aggregated deep representation, by taking into consideration multiple networks, which represent heterogeneous information carried by the social network data. To perform the task, DMNF first constructs a network representing the total degree of interrelationship between pairwise vertices by utilizing a fusion method to compute such degree taking into consideration heterogeneous information embedded in the network data, e.g., node connection, and attribute relativity. Given the fused network data, DMNF attempts to learn the latent network representation making use of a deep neural network model. Such learned representation is able to reveal the latent structure, e.g., social communities, and clusters in the social network. DMNF has been tested with two sets of real social network data and compared with several prevalent approaches to network community detection. The experimental results show that the latent representation found by DMNF may match well with the ground-truth communities and DMNF is able to outperform the state-of-the-art approaches to detecting social network communities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».