摘要
随着图表示学习在多个领域的成功应用,针对不同图数据和问题而设计的图表示学习方法爆发式增长.然而,图噪声的存在限制了图表示学习的能力.为有效降低图网络中的噪声比例,首先分析了图节点局部邻接的分布特性,并理论证明在局部邻接拓扑构建时,探索高阶邻近信息能够优化增强图表示学习的性能.其次,提出"2步骤"局部子图优化策略(local subgraph optimization strategy,LSOS).该策略首先根据原始图拓扑结构信息构造出具有多阶信息的局部邻接相似矩阵.然后基于相似矩阵和图节点局部信息,对图节点进行局部子图的结构优化.通过局部邻接的合理重构来降低网络中的噪声比例,进而达到图表示学习能力的增强.在节点分类、链接预测和社区发现 3类任务的实验中,结果表明局部子图优化策略能够提升 8个基线算法的性能.其中,在 3个航空网络的节点分类任务中,提升效果最高分别达到23.11%,41.58%,24.16%.
基金项目
国家自然科学基金(92046017)
中国科学院信息化工程项目(XXH13504-03)
NETL
NSTL
维普
万方数据