论文摘要
图卷积网络（GCN）能够适应不同结构的图,但多数基于GCN的方法难以有效地捕获网络的高阶相似性。简单添加卷积层将导致输出特征过度平滑并使它们难以区分,而且深层神经网络更难训练。本文选择将网络的多粒度结构和图卷积网络结合起来用于学习网络的节点特征表示,提出基于多粒度结构的网络表示学习方法 Multi-GS。首先,基于模块度聚类和粒计算思想,用分层递阶的多粒度空间替代原始的单层网络拓扑空间;然后,利用GCN模型学习不同粗细粒度空间中粒的表示;最后,由粗到细将不同粒的表示组合为原始空间中节点的表示。实验结果表明:Multi-GS能够捕获多种结构信息,包括一阶和二阶相似性、社团内相似性（高阶结构）和社团间相似性（全局结构）。在绝大多数情况下,使用多粒度的结构可改善节点分类任务的分类效果。
论文目录
文章来源
类型: 期刊论文
作者: 张蕾,钱峰,赵姝,陈洁,张燕平,刘峰
关键词: 网络表示学习,网络拓扑,模块度增量,网络粒化,多粒度结构,图卷积网络,节点分类,链接预测
来源: 智能系统学报 2019年06期
年度: 2019
分类: 信息科技
专业: 自动化技术
单位: 安徽大学计算机科学与技术学院,铜陵学院数学与计算机学院
基金: 国家自然科学基金项目(61876001,61602003,61673020),中国国防科技创新区规划项目(2017-0001-863015-0009),国家重点研究与发展项目(2017YFB1401903),安徽省自然科学基金项目(1508085MF113,1708085QF156)
分类号: TP181
页码: 1233-1242
总页数: 10
文件大小: 2141K
下载量: 153
相关论文文献
标签：网络表示学习论文; 网络拓扑论文; 模块度增量论文; 网络粒化论文; 多粒度结构论文; 图卷积网络论文; 节点分类论文; 链接预测论文;