基于邻域相似的层次粒化的网络表示学习方法

作     者：钱峰 张蕾 赵姝 陈洁 张燕平 刘峰 QIAN Feng;ZHANG Lei;ZHAO Shu;CHEN Jie;ZHANG Yanping;LIU Feng

作者机构：安徽大学计算机科学与技术学院合肥230601 铜陵学院数学与计算机学院铜陵244061 

出 版 物：《模式识别与人工智能》 (Pattern Recognition and Artificial Intelligence)

年 卷 期：2019年第32卷第6期

页      面：504-514页

核心收录：

学科分类：08[工学] 0835[工学-软件工程] 0803[工学-光学工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研究与发展项目(No.2017YFB1401903) 国家自然科学基金项目(No.61876001,61602003,61673020) 安徽省自然科学基金项目(No.1508085MF113,1708085QF156)资助~~ 

主　　题：网络表示学习 分层递阶 层次粒化 图卷积网络 

摘      要：捕获更多的结构特征给网络表示学习方法带来较高的复杂度。基于分层递阶思想,文中提出基于邻域相似的层次粒化的网络表示学习方法,降低已有网络表示学习方法的复杂度。首先利用节点邻域相似性将网络逐步压缩至粗粒度的表示空间中。然后利用已有的网络表示学习方法学习粗粒的特征表示。最后利用图卷积网络将已学习的粗粒特征逐步细化为原始网络的节点表示。在多个数据集上的实验表明,文中方法可以快速有效大幅压缩网络,降低算法的运行时间。针对节点分类和链接预测任务,当粒化层次较低时,文中方法可以较大幅度提升原有算法的性能。