NLGAE:一种基于改进网络结构及损失函数的图自编码器节点分类模型

作     者：廖彬 张陶 于炯 李敏 LIAO Bin;ZHANG Tao;YU Jiong;LI Min

作者机构：贵州财经大学大数据统计学院贵阳550025 贵州中医药大学信息工程学院贵阳550025 新疆大学信息科学与工程学院乌鲁木齐830008 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2024年第51卷第10期

页      面：234-246页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61562078) 新疆天山青年计划项目(2018Q073) 

主　　题：图表示学习 图自编码器 注意力机制 节点分类 

摘      要：利用图嵌入方法将图的拓扑结构、节点属性等高维异构信息映射到稠密的向量空间,是解决图数据由非欧空间性带来的计算不友好、邻接矩阵的高度空间复杂性等问题的主流方法。在对经典图自编码器模型GAE与VGAE所存在的问题进行分析的基础上,尝试从编码器、解码器及损失函数3个方面对基于图自编码器的图嵌入方法进行改进,提出一种基于改进网络结构及损失函数的图自编码器模型NLGAE。首先,在模型结构设计上,一方面将编码器中堆叠的图卷积层倒置,以解决GAE与VGAE中无参Decoder缺乏灵活性并且表达能力不足的问题,另一方面引入注意力机制的图卷积网络GAT来解决节点之间的权重系数固化的问题;其次,重新设计的损失函数能够同时考虑到图结构与节点特征属性两部分信息。对比实验结果表明:NLGAE作为一种无监督模型,能够学习到高质量的节点嵌入特征,在下游节点分类任务上优于DeepWalk,GAE,GrpahMAE,GATE等经典无监督模型,并且在选择合适分类模型的情况下,甚至优于GAT和GCN等有监督的图神经网络模型。