多粒度自适应嵌入融合的有向超图表示学习模型

摘要

图表示学习能够挖掘图结构数据中蕴含的丰富信息，例如结构、关系信息等.近年，涌现了大量针对高阶、复杂图结构的表示学习研究，然而针对高阶有向超图结构的研究相对有限，且存在一定的局限性：现有方法无法同时提取有向超图的高阶性和方向性，导致其失去了结构优势.同时，在图表示学习中，信息通过连接边实现信息传播，堆叠网络层数时容易产生过平滑问题.为解决上述问题，本文首先设计有效且能够在通用的有向超图结构中提取信息的卷积模块，在避免信息损失下有效地传递结构信息；其次采用自适应权重的嵌入融合机制，来缓解过平滑问题.在多个不同类型的数据集上的实验表明了有向超图表示学习模型的先进性，在分类任务上的准确率最高提升4.39%.

关键词

有向超图 / 表示学习 / 有向超图卷积 / 自适应嵌入融合

基金资助

国家自然科学基金项目(61772356,61876117)资助; 江苏高校优势学科建设工程项目资助