基于自编码器及对比损失的图聚类方法

摘要

图聚类根据图数据的内在关系找到组或社区，是数据分析中一项重要的研究问题.近年来，基于自编码器的方法能够获得有效节点属性表示，但未融合结构信息.由于图神经网络的广泛应用，基于半监督图卷积网络和图自编码器的模型能够融合结构信息，与传统聚类方法相比取得了较好的效果，但标记数据和卷积操作代价昂贵.因此，本文提出了一种基于自编码器及对比损失的图聚类方法.首先该方法使用简单的多层感知器设计自编码器，预训练自编码器学习节点属性表示.其次结合影响对比损失学习图嵌入表示，融合丰富的图结构信息，然后同时迭代优化嵌入表示和自监督聚类任务.最后，使用多个引文网络数据集与基准模型进行对比实验.实验表明，聚类性能得到有效提升，并且参数敏感性分析和变体实验验证了影响对比损失和自监督聚类的有效性.

关键词

图聚类 / 自编码器 / 影响对比损失 / 图嵌入 / 自监督聚类

基金资助

河北省自然科学基金项目(F2021205014、F2019205303); 河北省高等学校科学技术研究项目(ZD2022139); 中央引导地方科技发展资金项目(226Z1808G); 河北师范大学科技类研究基金项目(L2023J05);河北师范大学研究生创新资助项目(XCXZZSS202315)