典型文献
结合图自编码器与聚类的半监督表示学习方法
文献摘要：
节点标签是复杂网络中广泛存在的监督信息,对网络表示学习具有重要作用.基于此,提出了一种结合图自编码器与聚类的半监督表示学习方法(GAECSRL).首先,以图卷积网络(GCN)和内积函数分别作为编码器和解码器,并构建图自编码器以形成信息传播框架;然后,在编码器生成的低维表示基础上增加k-means聚类模块,从而使图自编码器的训练过程和节点的类别分布划分形成自监督机制;最后,利用节点标签的判别信息对网络低维表示的类别划分进行指导,将网络表示生成、类别划分以及图自编码器的训练构建在一个统一的优化模型中,并获得融合节点标签信息的有效网络表示结果.在仿真实验中,将GAECSRL用于节点分类和链接预测任务.实验结果表明,相比DeepWalk、node2vec、全局结构信息图表示学习(GraRep)、结构化深度网络嵌入(SDNE)和用数据的转导式或归纳式嵌入预测标签和邻居(Planetoid),在节点分类任务中GAECSRL的Micro?F1指标提高了0.9～24.46个百分点,Macro?F1指标提高了0.76～24.20个百分点;在链接预测任务中,GAECSRL的AUC指标提高了0.33～9.06个百分点,说明GAECSRL获得的网络表示结果能有效提高节点分类和链接预测任务的性能.
文献关键词：
网络表示学习;网络嵌入;节点标签;图神经网络;自监督机制
中图分类号：
作者姓名：
杜航原;郝思聪;王文剑
作者机构：
山西大学计算机与信息技术学院,太原030006;计算智能与中文信息处理教育部重点实验室(山西大学),太原030006
文献出处：
引用格式：
[1]杜航原;郝思聪;王文剑-.结合图自编码器与聚类的半监督表示学习方法)[J].计算机应用,2022(09):2643-2651
A类：
GAECSRL,GraRep,Planetoid
B类：
图自编码器,半监督,表示学习方法,节点标签,复杂网络,监督信息,网络表示学习,以图,图卷积网络,GCN,内积,解码器,建图,信息传播,传播框架,在编,低维表示,means,训练过程,分形,自监督机制,类别划分,建在,标签信息,节点分类,链接预测,DeepWalk,node2vec,全局结构信息,信息图表,图表示学习,深度网络,网络嵌入,SDNE,转导,归纳式,邻居,分类任务,Micro,百分点,Macro,高节,图神经网络
AB值：
0.295807
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
