用于属性网络嵌入的协作图神经网络
机器学习
2023-07-25 v1 信息检索
社会与信息网络
摘要
图神经网络（GNNs）在属性网络嵌入上已展现出卓越性能。然而，现有工作主要聚焦于利用网络结构，而对节点属性的利用相当有限，因为它们仅作为初始层的节点特征。这一简单策略阻碍了节点属性在增强节点连接方面的潜力，导致少数甚至无邻居的不活跃节点感受野受限。此外，大多数 GNNs 的训练目标（即重构网络结构）也未包含节点属性，尽管研究表明重构节点属性是有益的。因此，鼓励将节点属性深度引入 GNNs 的关键组件，包括图卷积操作与训练目标。然而，这是一项非平凡的任务，因为需要恰当的集成方式以维持 GNNs 的优势。为弥补这一差距，本文提出 COllaborative graph Neural Networks——CONN，一种专为属性网络嵌入设计的 GNN 架构。它通过以下方式提升模型能力：1）选择性地从邻居节点与所涉属性类别扩散消息；2）通过互相关联合重构节点到节点与节点到属性类别的交互。在真实网络上的实验表明，CONN 以较大优势超越最先进的嵌入算法。
引用
@article{arxiv.2307.11981,
title = {Collaborative Graph Neural Networks for Attributed Network Embedding},
author = {Qiaoyu Tan and Xin Zhang and Xiao Huang and Hao Chen and Jundong Li and Xia Hu},
journal= {arXiv preprint arXiv:2307.11981},
year = {2023}
}