基于多视图图卷积网络的多任务表示学习
社会与信息网络
2021-03-04 v1
摘要
链接预测与节点分类是网络表示学习的两种重要下游任务。现有方法已取得可接受的结果，但它们分别执行这两项任务，这需要大量重复工作且忽略了任务间的相关性。此外，传统模型对多视图信息一视同仁，因而无法为下游任务学习鲁棒表示。为此，本文通过多任务多视图学习同时处理链接预测与节点分类问题。我们首先阐释了针对这两类任务进行多任务多视图学习的可行性与优势。随后我们提出一种名为 MT-MVGCN 的新模型，以同时执行链接预测与节点分类任务。更具体地，我们设计了一个多视图图卷积网络来提取网络中多视图的丰富信息，并由不同任务共享。我们进一步应用两种注意力机制：视图注意力机制与任务注意力机制，以使视图与任务调整视图融合过程。此外，可引入视图重建作为辅助任务以提升所提模型性能。在真实世界网络数据集上的实验表明，我们的模型高效且有效，并在这两项任务上优于先进基线。
引用
@article{arxiv.2103.02236,
title = {Multi-Task Representation Learning with Multi-View Graph Convolutional Networks},
author = {Hong Huang and Yu Song and Yao Wu and Jia Shi and Xia Xie and Hai Jin},
journal= {arXiv preprint arXiv:2103.02236},
year = {2021}
}
备注
IEEE Transactions on Neural Networks and Learning Systems 2020