唐素勤,刘笑梅,袁 磊

(广西师范大学 a.教育学部; b.广西多源信息挖掘与安全重点实验室,广西 桂林 541004)

0 概述

网络图包含一组相互连接的节点,其中,每对节点之间具有大量的关系信息[1]。几乎每个领域都需要对图进行分析,例如,在生物网络中,人们可能需要分类蛋白质的角色,或者预测现有药物分子的新应用;在社交网络中,需要有针对性地向用户投放广告或推荐新朋友等。因此,研究人员开发了各种图数据挖掘算法应用于节点分类、标签推荐、异常检测和链接预测等任务。但是,这些已有的图数据挖掘算法通常需要一组图特征信息作为算法的输入。例如,为了从图中提取结构信息,传统的方法通常依靠图的相关统计(如度、聚集系数等)、核函数或手工特征来测量局部近邻结构[2],然而这些手工设计的特征在学习过程中不能自适应,且需要大量的人力成本和专业知识[3]。因此,有学者提出了表示学习方法以避免耗时且成本昂贵的特征设计,该方法同时提高了特征的灵活性。

现有的图表示学习方法主要聚焦于为图数据设计新的神经网络模型或设计更加复杂的随机游走机制来探索网络结构,这些方法往往使图表示学习的复杂性大幅提高。最近,将数据嵌入非欧几里德空间的方法受到越来越多的关注,原因是欧几里德模型不能正确地反映复杂数据模式。受此启发,本文对神经网络表示设置适当的几何结构,特别是层次结构和聚集行为,以捕获图数据的基本属性。……