模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2019, Vol. 32 Issue (4): 317-325    DOI: 10.16451/j.cnki.issn1003-6059.201904004
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于图卷积网络和自编码器的半监督网络表示学习模型
王杰1, 张曦煌1
1.江南大学 物联网工程学院 无锡 214122
Semi-supervised Network Representation Learning Model Based on Graph Convolutional Networks and Auto Encoder
WANG Jie1, ZHANG Xihuang2
1.School of Internet of Things Engineering, Jiangnan University, Wuxi 214122

全文: PDF (4742 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 为了保留网络结构信息和节点特征信息,结合图卷积神经网络(GCN)和自编码器(AE),提出可扩展的半监督深度网络表示学习模型(Semi-GCNAE).利用GCN捕获节点的K阶邻域中所有节点的结构和特征信息,并将捕获的信息作为AE的输入.AE对GCN捕获的K阶邻域信息进行特征提取和非线性降维,并结合Laplacian特征映射保留节点的团簇结构信息.引入集成学习方法联合训练GCN和AE,使模型习得的节点低维向量表示能同时保留网络结构信息和节点特征信息.在5个真实数据集上的广泛评估表明,文中模型习得的节点低维向量表示可以有效保留网络的结构和节点特征信息,并在节点分类、可视化和网络重构任务上性能较优.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
王杰
张曦煌
关键词 网络表示学习图卷积神经网络(GCN)自编码器(AE)Laplacian特征映射    
Abstract:Combining graph convolutional networks(GCN) and auto encoder(AE), a scalable semi-supervised network representation learning model, Semi-GCNAE, is proposed to preserve the network structure information and node feature information. GCN is utilized to capture the structure and feature information of all nodes in K-order neighborhood of the node. The captured information is utilized as the input of AE. The K-order neighborhood information captured by GCN is extracted and the dimension is reduced nonlinearly by AE. The cluster structure information of nodes is preserved by combining Laplacian feature mapping. The ensemble learning method is introduced to train GCN and AE jointly. Therefore, the learned low-dimensional vector representation of nodes can retain both network structure information and node feature information. Extensive evaluation on five real datasets shows that the low-dimensional vector representation of nodes acquired by the proposed model preserves the structure and characteristics of the network effectively. And it generates better performance in node classification, visualization and network reconstruction tasks.


Key wordsNetwork Representation Learning    Graph Convolutional Networks(GCN)    Auto Encoder(AE)    Laplacian Eigenmap   
收稿日期: 2018-12-17     
ZTFLH: TP 18  
基金资助:江苏省产学研合作基金项目(No.BY2015019-30)资助
作者简介: 王 杰,硕士研究生,主要研究方向为网络表示学习.E-mail:1473355215@qq.com.张曦煌(通讯作者),博士,教授,主要研究方向为计算机网络、分布式系统与应用等.E-mail:619449188@qq.com.
引用本文:   
王杰, 张曦煌. 基于图卷积网络和自编码器的半监督网络表示学习模型[J]. 模式识别与人工智能, 2019, 32(4): 317-325. WANG Jie, ZHANG Xihuang. Semi-supervised Network Representation Learning Model Based on Graph Convolutional Networks and Auto Encoder. , 2019, 32(4): 317-325.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201904004      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2019/V32/I4/317
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn