⠀⠀

Abstract

Incorporarea in retea, cu scopul de a invata reprezentarile reduse ale nodurilor in retele, este de o importanta capitala in multe aplicatii reale. O cerinta de baza pentru incorporarea retelei este pastrarea structurii si proprietatilor inerente ale retelelor. In timp ce metodele anterioare de incorporare a retelei pastreaza in primul rand structura microscopica, cum ar fi proximitatile de ordinul I si II ale nodurilor, structura comunitatii mezoscopice, care este una dintre cele mai proeminente caracteristici ale retelelor, este in mare parte ignorata. In aceasta lucrare, propunem un nou model de factorizare a matricei non-negativ modularizate (M-NMF) pentru a incorpora structura comunitatii in incorporarea retelei. Exploatam relatia de consens dintre reprezentarile nodurilor si structura comunitatii, si apoi optimizeaza in comun modelul de invatare a reprezentarii bazate pe NMF si modelul de detectare a comunitatii bazat pe modularitate intr-un cadru unificat, care permite reprezentarilor invatate ale nodurilor sa pastreze atat structurile microscopice, cat si cele ale comunitatii. De asemenea, oferim reguli de actualizare eficiente pentru a deduce parametrii modelului nostru, impreuna cu garantiile de corectitudine si convergenta. Rezultate experimentale extinse pe o varietate de retele din lumea reala arata performanta superioara a metodei propuse fata de stadiul artelor.

Modelul este acum disponibil si in pachetul Karate Club.

Acest depozit ofera o implementare TensorFlow pentru M-NMF asa cum este descris in:

Incorporarea in retea a conservarii comunitatii. Xiao Wang, Peng Cui, Jing Wang, Jain Pei, WenWu Zhu, Shiqiang Yang. Lucrarile conferintei Sete-Prima AAAI privind inteligenta artificiala (AAAI-17).

O implementare de referinta MatLab este disponibila [aici].

Cerinte

Codebase-ul este implementat in Python 3.5.2. Versiunile pachetelor utilizate pentru dezvoltare sunt chiar mai jos.

networkx 2.4 tqdm 4.19.5 numpy 1.13.3 pandas 0.20.3 tensorflow-gpu 1.12.0 jsonschema 2.6.0 texttable 1.2.1 python-louvain 0.11

Seturi de date

Codul ia un grafic de intrare intr-un fisier CSV. Fiecare rand indica o margine intre doua noduri separate printr-o virgula. Primul rand este un antet. Nodurile ar trebui indexate incepand cu 0. Un esantion de grafic pentru setul de date „Politicieni Facebook” este inclus in directorul „date /`.

### Logare

Modelele sunt definite astfel incat setarile parametrilor si calitatea clusterului sa fie inregistrate in fiecare epoca. Mai exact, inregistram urmatoarele:

“” 1. Setari hiperparametru. Salvam fiecare hiperparametru utilizat in experiment. 2.

escuchar relatos porno cine porno español
sexo con viejas tias putas
porno chileno xxxjovenes
folladas dormidas comiendo polla
viejasxxx glory hole españa
seso gratis fontanero cachondo
peliculas porno traducidas al castellano xxxmamas
maduras en castellano cerdas com gratis
sexo gratis porno videos heroticos
madres cachondas hombres corriendose
videos de follar chicas masturbando a chicos
madre pajea a su hijo jovenes nudistas
descargar videos porno gratis porno gay marruecos
follando en español megacorridas
orgias con abuelas gordas corriendose
follada en tanga porno incesto real
peliculas porno de incesto en español porno transexual en español
madres españolas follando con hijos follando real
rajas peludas penes gordos
hijo viola a su madre porno madres haciendo pajas a sus hijos

Calitatea clusterului. Masurata prin modularitate. O calculam in fiecare epoca. 3. Runtime. Masuram timpul necesar optimizarii – masurat cu secunde. “”

Optiuni

Invatarea incorporarii este gestionata de scriptul src / main.py care ofera urmatoarele argumente din linia de comanda.

Optiuni de intrare si iesire

–input STR Cai grafice de intrare. Implicit este `data / food_edges.csv`. –embedding-output STR Calea incorporarilor. Implicit este `output / embeddings / food_embedding.csv`. –cluster-mean-output STR Cluster centreaza calea. Implicit este „output / cluster_means / food_means.csv”. –log-output STR. Calea jurnalului. Implicit este `output / logs / food.log`. –assignment-output STR Calea dictionarului de atribuire a nodului-cluster. Implicit este `output / assignments / food.json`. –dump-matrices BOOL Daca modelul instruit trebuie salvat. Valoarea implicita este „Adevarat”.

Optiuni de model

–dimensions INT Numarul de dimensiuni. Valoarea implicita este 16. –clusters INT Numar de clustere. Valoarea implicita este de 20. – penalizare lambd FLOAT KKT. Implicit este 0,2. –alpha FLOAT Penalizare de grupare. Implicit este 0,05. –beta FLOAT Modularitate penalizare de regularizare. Valoarea implicita este 0,05. –eta FLOAT Parametru de amestec similaritate. Implicit este 5.0. – control inferior FLOAT Controlul revarsarii punctului plutitor. Valoarea implicita este 10 ** – 15. –iteration-number INT Numarul de iteratii de putere. Valoarea implicita este 200. –ear-stopping INT Numar rotund de oprire timpurie bazat pe modularitate. Valoarea implicita este 3.

Exemple

Urmatoarele comenzi invata o incorporare a graficului, centreaza clusterele si le scrie pe disc. Reprezentarile nodului sunt ordonate de ID.

Crearea unei incorporari MNMF a setului de date implicit cu setarile implicite ale hiperparametrului. Salvarea incorporarii, centrelor de cluster si fisierului jurnal la calea implicita.

Dezactivarea salvarii modelului.

$ python src / main.py –dump-matrices False

Crearea incorporarii unui alt set de date Companiile Facebook. Salvarea rezultatului si a jurnalului intr-un loc personalizat.

$ python src / main.py –input data / company_edges.csv –embedding-output output / embeddings / company_embedding.csv –cluster-mean-output output / cluster_means / company_means.csv

Crearea unei incorporari incorporate a setului de date implicit in 128 de dimensiuni si 10 centre de cluster.

$ python src / main.py –dimensions 128 –clusters 10

Licenta

  • GNU

ARTICOLE SIMILAREDE LA ACELAȘI AUTOR