基于折叠路径聚合的属性网络节点嵌入方法

摘要：

属性网络嵌入是图分析领域具有挑战性的任务之一,旨在从网络的拓扑结构和节点特征中学习节点的低维向量表示,同时最大限度地保持其结构和固有特性,然而现有方法多数仅研究网络间的基本关系,未考虑节点邻居的相对重要性.基于此,提出一种基于折叠路径聚合的属性网络节点嵌入方法,有效挖掘属性网络中的复合关系并充分度量节点邻居的重要程度.基于拓扑结构捕获节点的直接邻居并构建结构-属性二部图,挖掘"节点-属性-节点"折叠路径中所蕴含的复合关系,捕获节点的间接邻居.设计语义路径内部聚合策略,通过卷积神经网络聚合器聚合间接邻居表示和直接邻居表示,同时融合节点属性以捕获不同语义之间细粒度的特征交互,并根据语义路径间聚合策略整合2种细粒度嵌入表示,得到最终的节点嵌入.在Flickr、ArXiv和Pubmed这3个真实数据集上的实验结果表明,该方法的节点分类性能优于先进的属性网络嵌入方法,且与Node2Vec方法相比,Macro-F1和Micro-F1值分别高出0.067～0.234.

关键词：折叠路径、注意力机制、卷积神经网络、属性图、节点嵌入

所属期刊栏目：49

分类号：TP18(自动化基础理论)

资助基金：教育部卓越工程师教育培养计划项目产学合作协同育人项目;甘肃省高等教育教学成果培育项目

在线出版日期：2023-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：76-84