多标签图卷积网络表示学习

基于图的系统的知识表示在许多学科中都是基础性的。迄今为止，大多数现有的表示学习方法主要关注具有单一标签的网络，然而真实世界对象（节点）本质上具有复杂性，且常包含丰富语义或标签，例如一个用户可能属于社交网络的多个兴趣组，从而为许多应用产生多标签网络。多标签网络节点不仅每个节点具有多个标签，而且这些标签往往高度相关，使得现有方法无效或无法处理此类相关性以进行节点表示学习。本文提出一种新颖的多标签图卷积网络（ML-GCN）用于学习多标签网络的节点表示。为充分探索标签-标签相关性与网络拓扑结构，我们提出将多标签网络建模为两个连体 GCN：一个节点-节点-标签图和一个标签-标签-节点图。这两个 GCN 分别处理节点和标签某一方面的表示学习，并在一个目标函数下无缝集成。学习到的标签表示能有效保留标签内交互与节点标签属性，随后被聚合以在统一训练框架下增强节点表示学习。在多标签节点分类上的实验与比较验证了我们提出方法的有效性。