多级特征增强的图表示学习模型

针对图数据的表示学习在推荐系统、链接预测等图下游任务已展现出重要的研究价值。然而目前主流的方法存在一些缺陷：图卷积网络的固定传播模式限制节点表示的语义表达能力，以及编码器-解码器结构中的正则化重建阻碍学习节点间的差异化特征，这些都可能导致节点表示不能很好适应图下游任务。为此，基于互信息最大化理论提出一种多级特征增强的图表示学习模型，能以无监督的方式生成高质量的节点表示。模型使用提取器保留节点原始属性中的差异化特征，利用注意力聚合器维持编码空间中节点分布的局部相关性和全局差异性，应用深度图信息最大化策略统一全局编码规则。实验结果证明，在几个基准图数据集上该模型在直推式学习和归纳式学习下的编码表现均超过了所有的主流对比基线。