用于建模文档网络的可扩展 Weibull 图注意力自编码器

虽然已有的变分图自编码器（VGAEs）在建模和生成图结构数据方面被广泛使用，但大多数情况下仍不够灵活，难以逼近稀疏且分布不均的潜在节点表示，尤其是文档关系网络（DRNs）具有离散观测值的情况。为了分析一系列相互关联的文档，一个典型的贝叶斯模型分支——关系主题模型（RTMs）在描述 DRNs 的链接结构和文档内容方面已被证明具有效能，这也激发了我们将 RTMs 与现有 VGAEs 结合以缓解其在建模 DRNs 生成过程中的潜在问题。本文超越了传统 RTMs 的复杂近似假设，发展了图泊松因子分析（GPFA），该模型提供解析后验，提高推断精度，并将 GPFA 扩展为多层蒙特利尔版本，称为图泊松伽马信念网络（GPGBN），以捕获多个语义层次上的文档关系。然后，以 GPGBN 作为解码器，我们将其与各种基于 Weibull 分布的图推断网络相结合， resulting in two variants of Weibull graph auto-encoder（WGAE），并配以模型推断算法。实验结果表明，我们的模型能够提取高质量的分层潜在文档表示，并在各种图分析任务上实现令人满意的性能。