图结构主题神经网络
机器学习
2020-07-07 v2 社会与信息网络
机器学习
摘要
图卷积网络（GCNs）通过有效聚合节点的局部特征取得了巨大成功。然而，GCNs通常更关注节点特征，而较少关注邻域内的图结构，尤其是高阶结构模式。然而，大量研究表明，此类局部结构模式能够指示节点属性。此外，重要的不仅是单一模式，而是所有这些模式上的分布，因为网络是复杂的，且每个节点的邻域由多种节点和结构模式的混合构成。相应地，本文提出图结构主题神经网络（GraphSTONE），一种利用图主题模型的GCN模型，使得结构主题从概率角度广泛捕获具有指示性的图结构，而非仅捕获少数结构。具体而言，我们基于匿名游走和Graph Anchor LDA（一种先选取显著结构模式以缓解复杂度并高效生成结构主题的LDA变体）在图上构建主题模型。此外，我们设计多视角GCN以统一节点特征与结构主题特征，并利用结构主题引导聚合。我们通过定量与定性实验评估模型，结果表明我们的模型具有优异性能、高效率和清晰的可解释性。
引用
@article{arxiv.2006.14278,
title = {Graph Structural-topic Neural Network},
author = {Qingqing Long and Yilun Jin and Guojie Song and Yi Li and Wei Lin},
journal= {arXiv preprint arXiv:2006.14278},
year = {2020}
}