基于二阶图卷积自编码器的图表示学习 |
| |
引用本文: | 袁立宁,蒋萍,莫嘉颖,刘钊.基于二阶图卷积自编码器的图表示学习[J].计算机工程与应用,2024(10):180-187. |
| |
作者姓名: | 袁立宁 蒋萍 莫嘉颖 刘钊 |
| |
作者单位: | 1. 广西警察学院信息技术学院;2. 中国人民公安大学研究生院 |
| |
基金项目: | 广西重点研发计划(桂科AB22035034);;国家重点研发计划(2020YFC1522600); |
| |
摘 要: | 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%。
|
关 键 词: | 图表示学习 二阶图卷积网络 链接预测 |
|
|