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

来源：模式识别与人工智能, 2019, 32(06): 504-514.

DOI：10.16451/j.cnki.issn1003-6059.201906003

• 网络表示学习
• 分层递阶
• 层次粒化
• 图卷积网络

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.

• 单位
  安徽大学; 铜陵学院