基于二阶图卷积自编码器的图表示学习

图卷积自编码器是一类高效的图表示学习模型，在链路预测等任务中具有出色性能。然而现有模型大多依赖图卷积网络对邻接矩阵和属性矩阵进行编码，未充分利用二阶信息等高阶结构特征。针对上述问题，提出了基于二阶信息的图卷积自编码器模型SeVGAE。首先使用图卷积和二阶图卷积生成变分自编码器的均值和方差，然后学习嵌入向量表示原始图的混合概率分布，最后使用内积解码器恢复拓扑结构。在链接预测任务中，SeGVAE表现优于基线模型，Citeseer数据集上的AUC和AP相较原始的VGAE分别提升了3.26%和2.56%。实验结果表明，二阶信息的引入能够在低维嵌入中保留更丰富的图信息，提升模型性能。模型在处理属性信息不足、拓扑信息不准确的图数据时具有较为明显的优势，在边缘和属性均缺失40%的极端情况下，SeVGAE的AUC和AP相较VGAE提升4.79%和3.47%。