基于图滤波器的符号属性图链路关系预测算法

带节点属性的符号网络在信息学、生物学等多个领域存应用广泛，链路符号预测是该类数据分析中的一个热点问题。基于符号图神经网络的模型是该问题的最新有效解决方案，但现有方法几乎均基于社会平衡理论，且未充分利用节点属性。针对以上问题，从图信号处理角度设计了一个符号图神经网络，提出了一种端到端的符号属性图链路预测算法。首先，给出了基于低频和高频信号的带通滤波器的符号图神经网络，用于获得基于符号拓扑图的节点嵌入；其次，构造属性相似性图，利用图卷积网络得到属性相似性图节点嵌入；最后，引入注意力机制，融合符号拓扑图与属性相似性图两种节点表达，并将其输入符号判别器，通过Adam优化器训练模型。在三个药物数据集上进行了对比实验与模型设置的影响分析。与典型的符号图卷积网络与符号图谱嵌入，以及最近提出的基于图滤波的符号卷积网络的对比结果表明，该模型在AUC与F1指标上比最好的基线方法提升了8.68%与10.04%。