基于复合关系图卷积的属性网络嵌入方法

发布时间：2024-04-21 15:29

　　网络嵌入的目的是学习网络中每个节点的低维稠密向量,该问题吸引了研究者的广泛关注.现有方法大多侧重于对图结构的建模,而忽略了属性信息.属性化网络嵌入方法虽然考虑了节点属性,但节点与属性之间的信息关系尚未得到充分的利用.提出了一种利用丰富的关系信息进行属性网络嵌入的新框架.为此,我们首先为属性网络构造节点及其属性之间的复合关系,随后提出一个复合关系图卷积网络(composite relation graph convolution network, CRGCN)模型对这2种网络中的复合关系进行编码.在真实世界的数据集上进行了广泛的实验,结果证明了该模型在多种社交网络分析的有效性.

【文章页数】：9 页

【部分图文】：

图1属性网络中基本关系和复合关系样例

我们在图1中给出了属性网络中的基本关系和复合关系的一个例子.实线表示原始的基本关系,虚线表示这2个节点之间将有一个构造的复合关系.在图1所示的属性网络(用户节点U及其属性A)中,有2种类型的基本关系:

图2属性网络中的关系

属性网络的形式化定义为:G=(U,UU,A,UA),其中U={u1,u2,…,un}是用户集合,n是用户数量,UU是用户-用户关系矩阵,A={a1,a2,…,am}是用户的属性集合,m是属性数量,UA是用户-属性关系矩阵.对于同质网络G,u∈U和a∈A是其基本对象,uu,ua分别....

图3CRGCN框架结构图

2)现有方法也忽略了更为复杂的关系:复合关系,如图3中的线条所示.我们定义复合关系为组合了至少2种基本关系的关系,如uu和ua组合得到的复合关系uuua表示的是“用户和用户邻居的属性”的关系.复合关系保留了丰富的信息,如果上述关系可以被进一步挖掘,学到的表示也能保留更多的关系特....

图4Cora数据集上链接预测的维度变换实验

为了能学到节点聚类中表现好的节点表示,需要能平衡属性和结构信息的方法,如果一个模型能够学到节点间多种类型的相关性,将会比主要偏向学习单一类型相关性的方法效果好,CRGCN方法同时建模来自属性和结构的复合关系,因此在实验中表现出较好的性能.3.4参数分析

本文编号：3961082