文献阅读（二）《Embedding Temporal Network via Neighborhood Formation》
本文是对《Embedding Temporal Network via Neighborhood Formation》一文的浅显翻译与理解，原文章已上传至个人资源，如有侵权即刻删除。 前言 该算法认为一个节点历史的交互节点，也会对未来的交互产生影响，并且时间越近影响越大。 因而将网络结构规定为G=<V,E,A>，其中V是顶点集，E是边集，A是事件集，一条边可能包含多个事件，即多次交互。还规定N(x
相关文章
- 1. 文献阅读（17）KDD2016-Structural Deep Network Embedding
- 2. 论文阅读：Collaborative Deep Embedding Via Dual Networks
- 3. 文献阅读（13）AAAI2017-A Survey on Network Embedding
- 4. 文献阅读（八）KDD2018-Arbitrary-Order Proximity Preserved Network Embedding
- 5. 【文献阅读】(2017)Scaling Locally Linear Embedding
- 6. 论文阅读笔记：Improving Generalization via Scalable Neighborhood Component Analysis
- 7. 文献阅读
- 8. 数学文献阅读
- 9. 文献阅读（49）
- 10. 文献阅读（45）
- 更多相关文章...
- • RSS 阅读器 - RSS 教程
- • C# 二进制文件的读写 - C#教程
- • JDK13 GA发布：5大特性解读
- • RxJava操作符（二）Transforming Observables
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 文献阅读（17）KDD2016-Structural Deep Network Embedding
- 2. 论文阅读：Collaborative Deep Embedding Via Dual Networks
- 3. 文献阅读（13）AAAI2017-A Survey on Network Embedding
- 4. 文献阅读（八）KDD2018-Arbitrary-Order Proximity Preserved Network Embedding
- 5. 【文献阅读】(2017)Scaling Locally Linear Embedding
- 6. 论文阅读笔记：Improving Generalization via Scalable Neighborhood Component Analysis
- 7. 文献阅读
- 8. 数学文献阅读
- 9. 文献阅读（49）
- 10. 文献阅读（45）