基于One-Shot聚合自编码器的图表示学习

作者：袁立宁; 刘钊^*

来源：计算机应用, 2023, 43(01): 8-14.

• 自编码器
• 图自编码器
• 图卷积网络
• One-Shot聚合
• 链接预测

自编码器（AE）是一种高效的图数据表示学习模型，但大多数图自编码器（GAE）为浅层模型，其效率会随着隐藏层的增加而降低。针对上述问题，提出基于One-Shot聚合（OSA）和指数线性（ELU）函数的GAE模型OSA-GAE和图变分自编码器模型OSA-VGAE。首先，利用多层图卷积网络（GCN）构建编码器，并引入OSA和ELU函数；然后，在解码阶段使用内积解码器恢复图的拓扑结构；此外，为了防止模型训练过程中的参数过拟合，在损失函数中引入正则化项。实验结果表明，OSA和ELU函数可以有效提高深层GAE的性能，改善模型的梯度信息传递。在使用6层GCN时，基准引文数据集PubMed的链接预测任务中，深层OSA-VGAE相较于原始的VGAE在ROC曲线下的面积（AUC）和平均精度（AP）上分别提升了8.67和6.85个百分点，深层OSA-GAE相较于原始的GAE在AP和AUC上分别提升了6.82和4.39个百分点。

• 单位
  中国人民公安大学