刘嘎琼, 韩 斌, 王东升, 严 熙, 李会格

(江苏科技大学 计算机学院, 江苏 镇江 212100)

异构信息网络(heterogeneous information networks, HINs)由多个节点及其之间的关系组成, 用于对复杂数据集进行建模[1]. 与传统的节点和边都属于单一类型的同构网络相比, HINs能有效地融合更多的结构信息, 具有更丰富的语义[2]. 因此, 如何建立高效的HINs对于数据挖掘至关重要[3].

目前, 元路径被广泛用于提取HINs节点间异构连接的结构语义. 熊菊霞等[4]提出了获取不同类型节点语义的元路径, 并提出了评价HINs中相同类型节点相似度的路径模型. 考虑到不同元路径的影响, 张文凯等[5]提出了将多条元路径的相似性度量相结合. 但这些方法都是主要利用HINs的结构信息, 忽略了节点的属性, 因此导致隐藏信息未得到充分挖掘. 为描述HINs中的顺序属性和分类属性, 一种有效的方法是将节点的属性视为向量, 其中每个维度表示一个属性. 史加荣等[6]通过将不同元路径的节点相似性与权重相结合, 设计了一种无监督的负矩阵分解算法; 朱超平等[7]通过分别构造链接图和属性图整合结构信息和属性信息. 但目前的研究主要集中在对同一类型节点的相似性搜索上, 而未对HINs中不同类型节点的聚类进行联合分析. 实际上, 由于不同类型节点之间潜在的相关性(相似性), 不同类型的聚类通常是相互关联的.

与传统聚类方法不同, 协同聚类利用特征和样本之间的对偶性, 实现特征和样本的同时聚类. 此外, 协同聚类方法能……