结构增强的属性网络表示学习

属性网络表示学习旨在结合结构信息与属性信息为网络中的节点学习统一的向量表示。现有的属性网络表示学习方法在学习属性信息时与其互补的结构信息增强不足,从而影响最终表示。针对这一问题,提出一种结构增强的属性网络表示学习方法,以提高表示质量。该方法基于网络归一化邻接矩阵和属性矩阵通过自动编码器提取增强网络全局结构特性的属性信息,使用skip-gram模型捕捉局部结构信息,引入一个联合损失函数使结构信息与属性信息在同一向量空间中得以表示。在三个真实属性网络数据上进行节点分类和链路预测实验,效果较目前流行的网络表示学习方法优势明显。     

双向数据增强图卷积网络

为解决数据不足对深度学习模型带来的泛化性能较差的问题，研究非欧几里得图的数据增强，在改进半监督节点分类的节点嵌入方法的背景下，提出双向数据增强图卷积网络(TDA-GCN),设计子图增强法，对子图上每一个节点进行增加或删除其相邻的边，其中图熵变化最小的作为增强图，从增强图和原始图的拓扑结构和节点属性中提取嵌入，利用注意力机制自适应融合学习到的嵌入。实验结果表明，该方法优于目前流行的方法，取得了较好结果。