基于图划分抽样算法的图表示学习

• 作者: 夏鑫 姜进磊 陈康 高品
• 来源期刊: 计算机应用研究
• 关键词: 图划分 图表示学习 图抽样 图神经网络
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 2586-2590,2599
• 页数: 6页
• 分类号: TP183
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2019.03.0130

摘要

在基于神经网络的图表示算法中,当节点属性维度过高、图的规模过大时,从内存到显存的数据传输会成为训练性能的瓶颈.针对这类问题,该方法将图划分算法应用于图表示学习中,降低了内存访问的I/O开销.该方法根据图节点的度数,将图划分成若干个块,使用显存缓存池存储若干个特征矩阵块.每一轮训练,使用缓存池中的特征矩阵块,以此来减少内存到显存的数据拷贝.针对这一思想,该方法使用基于图划分的抽样算法,设计显存的缓存池来降低内存的访问,运用多级负采样算法,降低训练中负样本采样的时间复杂度.在多个数据集上,与现有方法对比发现,该方法的下游机器学习准确率与原算法基本一致,训练效率可以提高2～7倍.实验结果表明,基于图划分的图表示学习能高效训练模型,同时保证节点表示向量的测试效果.今后的课题可以使用严谨的理论证明,阐明图划分模型与原模型的理论误差.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈康		23	188	7.0	13.0
2	姜进磊		26	283	10.0	16.0
3	夏鑫		1	0	0.0	0.0
4	高品		1	0	0.0	0.0