软件学报

作者：杜航原，王文剑，白亮

单位：杜航原，山西大学 计算机与信息技术学院, 山西 太原 03000611,王文剑，山西大学 计算机与信息技术学院, 山西 太原 03000602,白亮，计算智能与中文信息处理教育部重点实验室(山西大学), 山西 太原 03000603

关键词：网络表示学习;伴随信息;变分自编码器(VAE);图卷积网络(GCN);互信息

基金：国家自然科学基金（61902227，62076154，U1805263，61773247）；山西省自然科学基金（201901D211192）；山西省高等学校科技创新项目（2019L0039）

网络表示学习被认为是提高信息网络分析效率的关键技术之一，旨在将网络中每个节点映射为低维隐空间中的向量表示，并使这些向量高效的保持原网络的结构和特性.近年来，大量研究致力于网络拓扑和节点属性的深度挖掘，并在一些网络分析任务中取得了良好应用效果.事实上，在这两类关键信息之外，真实网络中广泛存在的伴随信息，反映了网络中复杂微妙的各种关系，对网络的形成和演化起着重要作用.为提高网络表示学习的有效性，提出了一种能够融合伴随信息的网络表示学习模型NRLIAI.该模型以变分自编码器（VAE）作为信息传播和处理的框架，在编码器中利用图卷积算子进行网络拓扑和节点属性的聚合与映射，在解码器中完成网络的重构，并融合伴随信息对网络表示学习过程进行指导.该模型克服了现有方法无法有效利用伴随信息的缺点，同时具有一定的生成能力，能减轻表示学习过程中的过拟合问题.在真实网络数据集上，通过节点分类和链路预测任务对NRLIAI模型与几种现有方法进行了对比实验，实验结果验证了该模型的有效性.

来源：2023年第6期

《软件学报》期刊编辑部

查看软件学报杂志2023年第6期