基于图卷积网络和自编码器的半监督网络表示学习模型

摘要：

为了保留网络结构信息和节点特征信息,结合图卷积神经网络(GCN)和自编码器(AE),提出可扩展的半监督深度网络表示学习模型(Semi-GCNAE).利用GCN捕获节点的K阶邻域中所有节点的结构和特征信息,并将捕获的信息作为AE的输入.AE对GCN捕获的K阶邻域信息进行特征提取和非线性降维,并结合Laplacian特征映射保留节点的团簇结构信息.引入集成学习方法联合训练GCN和AE,使模型习得的节点低维向量表示能同时保留网络结构信息和节点特征信息.在5个真实数据集上的广泛评估表明,文中模型习得的节点低维向量表示可以有效保留网络的结构和节点特征信息,并在节点分类、可视化和网络重构任务上性能较优.

关键词：网络表示学习、图卷积神经网络(GCN)、自编码器(AE)、Laplacian特征映射

所属期刊栏目：32

分类号：TP18(自动化基础理论)

资助基金：江苏省产学研合作基金项目BY2015019-30

在线出版日期：2019-05-29（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：317-325