English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Les reseaux sociaux sont souvent composes de differents types de noeud. Apprendre et inferer sur ces reseaux heterogenes est une tâche recente. Nous considerons la tâche d'etiquetage de noeuds dans les reseaux sociaux, ou differents types de noeud doivent etre etiquetes par differents jeux de categories ou d'etiquettes. Nous proposons une nouvelle approche transductive qui apprend automatiquement a projeter les differents types de noeud dans un espace latent commun, cette representation apprise etant utilisee ensuite pour classifier les differents elements. Cette approche exploite l'idee que deux noeuds connectes dans un reseau social tendront a avoir des representations latentes similaires peu importe leur type. Cette hypothese nous permet d'apprendre les correlations entre les categories de noeuds de type different, quand les methodes de l'etat de l'art traitent chaque type de noeud independamment. Nous avons teste ce modele sur deux jeux de donnees et il obtient de bonnes performances.

Classification dans les graphes hétérogènes basée sur une représentation latente des noeuds