面向异质信息网络的双通道协同聚类算法

作     者：邱林山 房子荃 陈璐 张天明 李天义 QIU Lin-Shan;FANG Zi-Quan;CHEN Lu;ZHANG Tian-Ming;LI Tian-Yi

作者机构：浙江大学计算机科学与技术学院杭州310027 浙江大学软件学院浙江宁波315048 浙江工业大学计算机科学与技术学院杭州310023 奥尔堡大学计算机学院奥尔堡9220丹麦 

基　　金：国家自然科学基金青年项目(No.62102351) 浙江省自然科学基金探索青年项目(No.LQ22F020018)资助 

出 版 物：《计算机学报》 (Chinese Journal of Computers)

年 卷 期：2023年第46卷第11期

页      码：2416-2430页

摘      要：网络聚类广泛应用于现实世界的各个领域,受到了越来越多的关注.由于保留了节点和链接关系的异质性,异质信息网络聚类相较于同质网络聚类具有更优的性能.然而,现有基于图神经网络的异质信息网络聚类忽略了节点属性以及拓扑结构对聚类的权重不同的问题.此外,这些方法仅对单一类型的目标节点聚类,而没有考虑其余类型节点的辅助作用.为此,提出了面向异质信息网络的双通道协同聚类算法(B3C),其能够有效地融合节点属性和拓扑结构,并挖掘异质节点间的潜在相关性,从而提高聚类性能.首先,设计了一个简单有效的双通道编码器以聚合拓扑结构及相似矩阵的邻域信息;接着,应用自训练聚类的同时学习异质信息网络表示以及优化聚类分配,并采用协同聚类机制,以对不同类型节点同时聚类;最后,利用三元中心损失(Triplet-Center Loss)学习具有区分度的节点表示,以凝聚相似节点,分离不相似节点.在公开数据集上进行了大量实验,验证了本文提出的双通道编码器性能相较于广泛使用的图神经网络编码器有显著提升,并且B3C精度优于现有的基于学习的异质信息网络聚类方法.

主 题 词：异质信息网络 网络聚类 协同聚类 网络表示学习 图神经网络 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.11897/SP.J.1016.2023.02416

馆 藏 号：203124185...