基于双重视图耦合的自监督图表示学习模型

针对现有的图表示学习在自监督对比学习方法中存在视图差异较大，且依赖于负样本防止模型坍塌，导致节点表示能力弱及空间复杂度加大的问题，提出一种基于双重视图耦合的自监督图表示学习模型(self-supervised graph representation learning model with dual view coupling, DVCGRL),用于学习图数据表示。采用特征空间增广和结构空间扩充相结合生成双重视图，将双重视图作为正样本对输入孪生神经网络；利用图编码器提取图数据特征，通过多层感知器获得映射后的特征向量；采用耦合网络拉近双重视图的特征向量距离，提升节点表示能力，防止模型坍塌。在公开数据集上进行的节点分类实验结果表明，与当前主流图表示学习模型相比，该模型降低了空间复杂度，节点分类精度得到明显提高。