典型文献
基于混合特征建模的图卷积网络方法
文献摘要：
对于网络中拥有的复杂信息,需要更多的方式抽取其中的有用信息,但现有的单特征图神经网络(GNN)无法完整地刻画网络中的相关特性.针对该问题,提出基于混合特征的图卷积网络(HDGCN)方法.首先,通过图卷积网络(GCN)得到节点的结构特征向量和语义特征向量;然后,通过改进基于注意力机制或门控机制的聚合函数选择性地聚合语义网络节点的特征,增强节点的特征表达能力;最后,通过一种基于双通道图卷积网络的融合机制得到节点的混合特征向量,将节点的结构特征和语义特征联合建模,使特征之间互相补充,提升该方法在后续各种机器学习任务上的表现.在CiteSeer、DBLP和SDBLP三个数据集上进行实验的结果表明,与基于结构特征训练的GCN相比,HDGCN在训练集比例为20％、40％、60％、80％时的Micro-F1值平均分别提升了2.43、2.14、1.86和2.13个百分点,Macro-F1值平均分别提升了1.38、0.33、1.06和0.86个百分点.用拼接或平均值作为融合策略时,准确率相差不超过0.5个百分点,可见拼接和平均值均可作为融合策略.HDGCN在节点分类和聚类任务上的准确率高于单纯使用结构或语义网络训练的模型,并且在输出维度为64、学习率为0.001、2层图卷积层和128维注意力向量时的效果最好.
文献关键词：
注意力机制;门控机制;双通道图卷积网络;结构特征;语义特征
中图分类号：
作者姓名：
李卓然;冶忠林;赵海兴;林晶晶
作者机构：
青海师范大学 计算机学院,西宁810016;省部共建藏语智能信息处理及应用国家重点实验室(青海师范大学),西宁810008;藏文信息处理教育部重点实验室(青海师范大学),西宁810008;青海省藏文信息处理与机器翻译重点实验室(青海师范大学),西宁810008
文献出处：
引用格式：
[1]李卓然;冶忠林;赵海兴;林晶晶-.基于混合特征建模的图卷积网络方法)[J].计算机应用,2022(11):3354-3363
A类：
HDGCN,双通道图卷积网络,CiteSeer,SDBLP
B类：
混合特征,特征建模,复杂信息,特征图,图神经网络,GNN,整地,相关特性,特征向量,语义特征,注意力机制,门控机制,聚合函数,合语,语义网络,网络节点,特征表达,表达能力,融合机制,特征联合,联合建模,相补,学习任务,训练集,Micro,平均分,百分点,Macro,拼接,融合策略,节点分类,使用结构,网络训练,学习率,卷积层
AB值：
0.279804
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。
