基于属性补全的异质图表示学习算法

摘要

在异质图数据收集中，由于隐私保护政策或版权限制，节点属性缺失现象普遍存在.针对属性不完备和属性完全缺失两种情况，提出了一种基于属性补全的异质图表示学习算法（HGAC）.对于属性不完备的节点，通过构建属性空间的邻接矩阵并执行图卷积来获取缺失的属性；将属性视为抽象节点，在元路径的引导下，对学习节点和属性进行拓扑嵌入，利用拓扑嵌入间的相似性来补全完全缺失的属性.在3个真实数据集上进行实验，结果表明，该算法有效提升了下游任务的性能，并具有较强的泛化能力.

关键词

图表示学习 / 异质图 / 属性缺失 / 属性补全 / 元路径