10.3778/j.issn.1673-9418.2104085
融合模体图神经网络和自编码器的链路预测
链路预测是网络数据挖掘的一项基本任务,已有很多相关的研究成果.由于图神经网络研究的深入发展,使得相关的模型可以更加有效学习网络的重要特征,在链路预测等任务中取得了很好的预测效果.然而,不同于深度学习中CNN模型,已有的图神经网络模型中仅聚合了节点的一阶邻居信息,未充分考虑邻居节点之间的拓扑结构特性.在此基础上,提出了基于模体的图神经网络链路预测模型.该模型采用自编码器结构,在编码过程中,通过模体构建节点的邻接矩阵,进而得到节点的模体邻域,依照每一类模体的邻域聚合邻居信息,通过非线性变换得到节点的表示,最后拼接每一类模体下节点的表示.然而由于不同的模体结构在网络中重要度有所不同,利用注意力网络给出表达不同模体的注意力权重,连接注意力网络给出节点的向量表示.在解码过程中,通过计算节点间的相似性重构网络.在几个引文合作者网络上的实验结果表明,该方法在两个指标上优于大多数基准算法,有效地提高了网络链路预测的准确度.
链路预测、复杂网络、模体、图卷积网络、图自编码器
17
TP391(计算技术、计算机技术)
山西省重点研发计划;山西省三晋学者计划
2023-01-16(万方平台首次上网日期,不代表论文的发表时间)
共8页
209-216