基于自我监督学习策略的层智能图卷积网络

作者：孙峰; 杨观赐^*; Ajith Kumar V; 张安思

来源：计算机应用研究, 2022, 39(01): 128-133.

DOI：10.19734/j.issn.1001-3695.2021.06.0250

• 图卷积网络
• 自我监督学习策略
• 依赖大型数据集
• 层智能
• 多任务机制
• 边预测

为了解决当前图卷积网络需要依赖大型数据集,从而导致时间和空间复杂度上升问题,提出了基于自我监督学习策略的层智能图卷积网络(RRLFS-L-GCN)。首先,通过在层智能图卷积网络(layer-wise graph convolutional network, L-GCN)中添加多任务机制以提高算法的泛化能力;然后,设计一种随机删除固定步长边(aandomly remove links with a fixed step, RRLFS)的自我监督学习策略,从而提出基于自我监督学习策略的层智能图卷积网络算法;最后,通过边预测验证RRLFS-L-GCN的性能。实验结果表明,该算法的识别率最高可达97.13%。对于Cora测试集,该算法所得识别准确率比未改进的层智能图卷积网络算法提高了6.73%。对于PubMed测试集,该算法所得识别准确率比未改进的层智能图卷积网络算法提高了8.13%。与图卷积网络相比,在Citeseer数据集上,识别准确率提高了18.43%。

• 单位
  浙江师范大学; 贵州大学