基于双重视图耦合的自监督图表示学习模型

作     者：陈琪 郭涛 邹俊颖 CHEN Qi;GUO Tao;ZOU Jun-ying

作者机构：四川师范大学计算机科学学院四川成都610101 

基　　金：国家自然科学基金项目(11905153) 

出 版 物：《计算机工程与设计》 (Computer Engineering and Design)

年 卷 期：2023年第44卷第12期

页      码：3738-3744页

摘      要：针对现有的图表示学习在自监督对比学习方法中存在视图差异较大,且依赖于负样本防止模型坍塌,导致节点表示能力弱及空间复杂度加大的问题,提出一种基于双重视图耦合的自监督图表示学习模型(self-supervised graph representation learning model with dual view coupling, DVCGRL),用于学习图数据表示。采用特征空间增广和结构空间扩充相结合生成双重视图,将双重视图作为正样本对输入孪生神经网络;利用图编码器提取图数据特征,通过多层感知器获得映射后的特征向量;采用耦合网络拉近双重视图的特征向量距离,提升节点表示能力,防止模型坍塌。在公开数据集上进行的节点分类实验结果表明,与当前主流图表示学习模型相比,该模型降低了空间复杂度,节点分类精度得到明显提高。

主 题 词：双重视图 孪生神经网络 图表示学习 图卷积网络 图数据增广 节点分类 自监督对比学习 

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] 

D　O　I：10.16208/j.issn1000-7024.2023.12.030

馆 藏 号：203125174...