用于识别高特征向量中心性节点的无监督学习：一种图神经网络方法

现有的特征向量中心性（Eigenvector Centrality, EC）计算方法往往鲁棒性不足，难以在低时间复杂度下确定 EC，或对大型网络的可扩展性不佳，因而在实际中不可靠或计算代价高昂。因此，开发一种在低计算时间内可扩展的方法至关重要。为此，我们提出了一种用于识别具有高特征向量中心性节点的深度学习模型。此前已有少量利用监督学习方法识别高排名节点的工作，但在真实场景中，图是无标签的，因而部署监督学习方法成为隐患且使用不切实际。于是，我们设计了 CUL（Centrality with Unsupervised Learning，基于无监督学习的中心性）方法，以无监督方式学习网络中相对的 EC 分数。为此，我们开发了一个基于编码器–解码器（Encoder-Decoder）的框架，将节点映射至其各自的估计 EC 分数。我们在不同的合成与真实网络上进行了大量实验。我们将 CUL 与类似于以往若干工作的 EC 估计基线监督方法进行比较。观察到即便仅在极少量训练集上训练，CUL 在识别较高排名节点时也比其监督对应方法具有相对更好的准确率。我们还表明 CUL 比传统的 EC 计算基线方法更快且运行时间更短。代码见 https://github.com/codexhammer/CUL。