基于拉普拉斯增强的有符号有向图对比学习

图对比学习已成为多种图挖掘任务的强大技术。它从增强图的不同视角学习判别性表示。在我们的日常生活中无处不在的有符号有向图，是各种图类型中最复杂且最难分析的。这就是为什么尽管针对无符号无向图的对比研究很多，但有符号有向图对比学习尚未得到充分研究的原因。因此，本文提出了一种新颖的有符号有向图对比学习方法SDGCL。它创建两个结构上不同扰动的图视图，并通过磁拉普拉斯扰动获得节点表示。我们使用节点级对比损失来最大化两个图视图之间的互信息。该模型通过对比目标和监督目标联合学习。SDGCL的图编码器不依赖于社会理论或预定义假设。因此，它不需要寻找三元组或选择邻居进行聚合。它仅通过磁拉普拉斯算子利用边的符号和方向。据我们所知，这是首次引入磁拉普拉斯扰动和有符号谱图对比学习。通过在四个真实世界数据集上的详尽实验，证明了所提出模型的优越性。SDGCL在四个评估指标上均表现出优于其他最先进方法的性能。