基于卷积图神经网络的多粒度表示学习框架

摘要：

卷积图神经网络(Convolutional Graph Neural Network,ConvGNN)以其强大的表达能力被广泛应用于社交网络、生物网络等领域的网络表示学习中,多粒度网络表示学习已被证明能够改善已有网络嵌入方法的性能,但目前尚缺乏以改善ConvGNN性能为目标的框架.针对此问题,提出一种基于ConvGNN的多粒度网络表示学习框架M-NRL,分为四个模块:粒化模块、训练模块、推理模块和融合模块.粒化模块构造从细到粗的多粒度网络并保留不同粒度节点的属性和标签信息,训练模块在最粗粒度的网络上以端到端的方法训练任意一种ConvGNN并优化其模型参数,推理模块使用优化后的ConvGNN推理出不同粒度网络的节点表示,融合模块采用注意力权重聚合不同粒度的节点表示以产生最终的节点表示.在四个公开引文网络数据集上进行的半监督节点分类任务验证了 M-NRL的有效性,实验结果表明,M-NRL不仅能加速现有ConvGNN的训练,还可以增强其最终的表示质量.

关键词：网络表示学习、多粒度、卷积图神经网络、嵌入、注意力

所属期刊栏目：59

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;安徽省高校优秀人才支持计划项目;安徽省高校优秀青年骨干人才国内外访学研修项目;安徽省高校优秀青年骨干人才国内外访学研修项目;安徽省高校科研计划项目

在线出版日期：2023-05-06（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：43-54