科研之友
微信
新浪微博
Facebook
分享链接
摘要
图表示学习旨在通过监督或无监督方法学习图结构数据中节点的嵌入表示。对于无标签或缺乏可靠标签的图数据集，监督方法无法正常工作，现有的无监督方法也难以学得足够准确的节点嵌入。本文提出一种自监督的消息传递图表示学习方法(SMP-GL)，使用多自动编码器生成并筛选基底嵌入，基于消息传递的思想通过自监督更新节点信息来学习图节点的嵌入表示，并通过对嵌入层的覆盖更新实现多级消息传递，在不使用标签信息的情况下大幅提高了节点嵌入的准确性。论文选用四个真实世界数据集和八个先进的基线方法进行对比实验，结果表明，本文模型不仅超过了以往先进的无监督方法，而且还匹配甚至在多数任务中超过了以往先进的监督方法，能够有效应用于无标签图数据集的表示学习任务。
- 单位
