一种融合节点协作信息的图卷积网络用于无向加权图的精确表示
机器学习
2022-12-01 v1 社会与信息网络
摘要
无向加权图（UWG）常被用于描述实际应用中单一节点集合之间的交互，例如社交网络服务系统中的用户联系频率。图卷积网络（GCN）被广泛用于对 UWG 进行表示学习，以服务于聚类或缺失数据估计等后续模式分析任务。然而，现有 GCN 大多忽略了其相连节点对之间隐藏的潜在协作信息。针对该问题，本研究提出通过对称潜在因子分析模型对节点协作进行建模，并将其作为节点协作模块以补充 GCN 中的协作损失。基于该思想，提出一种节点协作信息图卷积网络（NGCN），其包含三重设计：a) 通过节点协作模块从节点对的交互中学习潜在协作信息；b) 构建残差连接与加权表示传播以获得高表示能力；c) 以端到端方式实现模型优化，从而对目标 UWG 实现精确表示。基于真实应用中的 UWG 的实证研究表明，由于其高效地融入了节点协作，所提出的 NGCN 在缺失权重估计任务上显著优于最先进的 GCN。同时，其良好的可扩展性保证了与更先进的 GCN 扩展的兼容性，这将在我们未来的研究中进一步探讨。
引用
@article{arxiv.2211.16689,
title = {A Node-collaboration-informed Graph Convolutional Network for Precise Representation to Undirected Weighted Graphs},
author = {Ying Wang and Ye Yuan and Xin Luo},
journal= {arXiv preprint arXiv:2211.16689},
year = {2022}
}