基于图卷积网络和自编码器的半监督网络表示学习模型

• 作者: 张曦煌 王杰
• 来源期刊: 模式识别与人工智能
• 学科: 工学
• 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
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 论文与报告
• 页码范围: 317-325
• 页数: 9页
• 分类号: TP18
• 字数: 5964字
• 语种: 中文
• DOI: 10.16451/j.cnki.issn1003-6059.201904004

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张曦煌	江南大学物联网工程学院	134	1137	14.0	27.0
2	王杰	江南大学物联网工程学院	16	38	4.0	5.0