電子發燒友網>電子資料下載>通信網絡>基于融合元路徑的圖卷積異質信息表示學習算法

基于融合元路徑的圖卷積異質信息表示學習算法

2755779 2021-05-18 | pdf | 1.83 MB | 次下載 | 免費

資料介紹

　　近年來，網絡表示學習（ Network Representation Learning，NRL）作為一種在低維空間中表示節點來分析異質信息網絡（ Heterogeneous Information Networks，HIN）的有效方法受到越來越多的關注。基于隨機游走的方法是目前網絡表示學常用的方法，然而這些方法大多基于淺層神經網絡，難以捕獲異質網絡結構信息。圖卷積神經網絡（ Gragh Convolutional Network，GCN）是一種流行的能對圖進行深度學習的方法，能夠更好地利用網絡拓撲結構，但目前的GCN設計針對的是同質信息網絡，忽略了網絡中豐富的語義信息。為了有效地挖掘異質信息網絡中的語義信息和高度非線性的網絡結構信息，進而提高網絡表示的效果，文中提出了一種基于融合元路徑的圖卷積異質網絡表示學習算法（MG2vec）。該算法首先通過基于元路徑的關聯度量方法來獲取異質信息網絡中豐富的語義信息;然后采用圖卷積神經網絡進行深度學習，捕捉節點和鄰居節點的特征，彌補淺層模型捕捉網絡結構信息能力不足的缺陷，從而實現將豐富的語義信息和結構信息更好地融入低維的節點表示中。在數據集DBLP和IMDB上分別進行實驗，相比 Deep walk，node2vec和 Metapath2vec算法，所提MG2vec算法在多標簽分類任務上的分類精確率更高且性能更優，精確率和 Macro-f1值分別達到了94.49%和94.16%，且與 Deep walk相比分別最高提升了26.05%和28.73%。實驗結果證明，MG2vec算法的性能優于經典的網絡表示學習算法，具有更妤的異質信息網絡表示效果。