计算机应用

作者：龙雨菲, 牟宇辰, 刘晔

单位：华南理工大学 未来技术学院，广州 510641

关键词：多源数据表示学习,图卷积神经网络,张量图卷积算子,对比学习,半监督分类

基金：国家级大学生创新创业训练计划项目(202310561173)

针对现有多源数据表示学习模型在处理大规模复杂高维数据时存在的容易遗漏数据源间高阶关联信息和易受到噪声干扰的问题，提出一种基于张量化图卷积网络（T-GCN）和对比学习的多源数据表示学习模型（MS-TGC）。首先，利用K近邻（KNN）算法和图卷积网络（GCN）统一多源数据维度，拼接得到张量化多源数据；其次，利用定义的张量图卷积算子实现高维图卷积运算，同时学习数据源内部信息及数据源间关联信息；最后，构建多源数据对比学习范式，通过添加基于语义一致性与标签一致性的对比约束，提升MS-TGC在处理含噪声数据时的表示学习准确率，增强模型的鲁棒性。实验结果表明，当有标签样本率为0.3时，与CONMF（Co-consensus Orthogonal Non-negative Matrix Factorization）模型相比，MS-TGC在BDGP和20newsgroup数据集上的半监督分类准确率分别提升了1.36和5.53个百分点。可见MS-TGC能够更有效地捕捉数据源间关联信息，降低噪声干扰，得到高质量多源数据表示。

来源：2025年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第5期