基于多通道图卷积自编码器的图表示学习

摘要：

针对基于图卷积的自编码器模型对原始图属性和拓扑信息的保留能力有限、无法学习结构和属性之间深度关联信息等问题,提出基于多通道图卷积自编码器的图表示学习模型.设计拓扑和属性信息保留能力实验,验证了基于图卷积的自编码器模型具备保留节点属性和拓扑结构信息的能力.构建特定信息卷积编码器和一致信息卷积编码器,提取图的属性空间特征、拓扑空间特征以及两者关联特征,生成属性嵌入、拓扑嵌入和一致性嵌入,同时建立与编码器对称的卷积解码器,还原编码器过程.使用重构损失、局部约束和一致性约束,优化各编码器生成的低维嵌入表示.最终将蕴含不同图信息的多种嵌入进行融合,生成各节点的嵌入表示.实验结果表明,该模型在BlogCatalog和Flickr数据集上节点分类的Micro-F1和Macro-F1明显高于基线模型,在Citeseer数据集上节点聚类的精度和归一化互信息相比于表现最优的基线模型提升了11.84％和34.03％.上述实验结果证明了该模型采用的多通道方式能够在低维嵌入中保留更丰富的图信息,提升图机器学习任务的性能表现.

关键词：图表示学习、图卷积网络、自编码器、节点分类、节点聚类

所属期刊栏目：49

分类号：TP183(自动化基础理论)

资助基金：国家重点研发计划;中央高校基本科研业务费专项

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：150-160,174