融合多元信息的社交网络节点分类方法

摘要：

针对社交网络节点分类效果不佳的问题,提出一种融合多元信息的图卷积网络节点分类模型(IMIGCN).首先,利用特征向量X和邻接矩阵A,分别构造包含节点间同质信息的同质矩阵FA和共引信息的共引矩阵CoA;分析网络中的三角结构,通过转换公式构造包含节点间三角信息的三角矩阵TriA.在此基础上,融入节点自身信息.接着,改进传统图卷积网络(GCN)模型.将GCN的单核改进为适应性多核,通过注意力机制将多核学习的结果自适应融合为一个嵌入,达到一次卷积同时融合多元信息的效果.为了学习更多信息,将模型过程中的嵌入设计为多头,通过多头嵌入注意力自适应学习多头嵌入的权重分配.实验结果表明,与现有较优的节点分类模型相比,提出的IMIGCN在社交网络上的分类精确度提高0.009 8～0.053 2,F1指标提升0.012 7～0.053 6,证明了提出的IMIGCN合理有效.

关键词：社交网络、信息提取、信息融合、节点分类、图卷积网络(GCN)

所属期刊栏目：17

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2198-2208