基于复合关系图卷积的属性网络嵌入方法

陈亦琦; 钱铁云; 李万理; 梁贻乐

doi:10.7544/issn1000-1239.2020.20200206

基于复合关系图卷积的属性网络嵌入方法

(武汉大学计算机学院武汉 430072) (yiqic16@whu.edu.cn)

基金项目: 国家自然科学基金项目(61572376,91646206);国家电网有限公司科技项目(5700-202072180A-0-00-00)

详细信息

中图分类号: TP391
计量
- 文章访问数: 1090
- HTML全文浏览量: 2
- PDF下载量: 597
出版历程
- 发布日期: 2020-07-31

Exploiting Composite Relation Graph Convolution for Attributed Network Embedding

(School of Computer Science, Wuhan University, Wuhan 430072)

Funds: This work was supported by the National Natural Science Foundation of China (61572376, 91646206) and the State Grid Technology Project (5700-202072180A-0-00-00).

摘要

摘要: 网络嵌入的目的是学习网络中每个节点的低维稠密向量，该问题吸引了研究者的广泛关注.现有方法大多侧重于对图结构的建模，而忽略了属性信息.属性化网络嵌入方法虽然考虑了节点属性，但节点与属性之间的信息关系尚未得到充分的利用.提出了一种利用丰富的关系信息进行属性网络嵌入的新框架.为此，我们首先为属性网络构造节点及其属性之间的复合关系，随后提出一个复合关系图卷积网络(composite relation graph convolution network, CRGCN)模型对这2种网络中的复合关系进行编码.在真实世界的数据集上进行了广泛的实验，结果证明了该模型在多种社交网络分析的有效性.
- 属性网络嵌入 /
- 图卷积网络 /
- 复合关系 /
- 社交网络分析 /
- 基本关系
Abstract: Network embedding aims at learning a low-dimensional dense vector for each node in the network. It has attracted much attention from researchers in recent years. Most existing studies mainly focus on modeling graph structure and neglect the attribute information. Though attributed network embedding methods take node attribute into account, the informative relations between nodes and their attributes are still under-exploited. In this paper, we propose a novel framework to employ the abundant relation information for attributed network embedding. To this end, we first present to construct the composite relations between the nodes and their attributes in attributed networks. We then develop a composite relation graph convolution network (CRGCN) to encode the composite relations in both types of networks. We conduct extensive experiments on real world datasets and results demonstrate the effectiveness of our model on various network analysis tasks.
- attributed network embedding /
- graph convolution network /
- composite relation /
- social network analysis /
- basic relation

HTML全文

参考文献(0)

施引文献(31)

期刊类型引用(11)

1.	周显春，喻佳. 基于图神经网络的人工自然语言语义挖掘仿真. 计算机仿真. 2024(01): 344-348 . 百度学术
2.	孟祥福，田友发，张霄雁. 基于LightGBM模型的肺腺癌免疫相关基因筛选与患者生存率预测. 生物医学工程学杂志. 2024(01): 70-79 . 百度学术
3.	陈伟，周丽华，王亚峰，王丽珍，陈红梅. 异质信息网络中基于解耦图神经网络的社区搜索. 计算机科学. 2024(03): 90-101 . 百度学术
4.	万齐智，万常选，胡蓉，刘德喜，刘喜平，廖国琼. 面向研究问题的深度学习事件抽取综述. 自动化学报. 2024(11): 2079-2101 . 百度学术
5.	刘超，孔兵，杜国王，周丽华，陈红梅，包崇明. 高阶互信息最大化与伪标签指导的深度聚类. 浙江大学学报(工学版). 2023(02): 299-309 . 百度学术
6.	杨成波，周丽华，黄亚群，杨宇迪. 异质网络中基于关键词属性的Truss社区搜索. 计算机应用研究. 2023(06): 1708-1714 . 百度学术
7.	白明昌. 基于折叠路径聚合的属性网络节点嵌入方法. 计算机工程. 2023(07): 76-84 . 百度学术
8.	谢小杰，梁英，王梓森，刘政君. 基于图卷积的异质网络节点分类方法. 计算机研究与发展. 2022(07): 1470-1485 . 本站查看
9.	王宏琳，杨丹，聂铁铮，寇月. 自注意力机制的属性异构信息网络嵌入的商品推荐. 计算机研究与发展. 2022(07): 1509-1521 . 本站查看
10.	盛妍，朱龙珠，丁毛毛，刘鲲鹏，刘海龙. 面向电力服务情绪识别的图卷积网络方法研究. 电子器件. 2022(04): 959-963 . 百度学术
11.	李琳，梁永全，刘广明. 基于重启随机游走的图自编码器. 计算机应用研究. 2021(10): 3009-3013 . 百度学术