计算机应用

作者：黎施彬, 龚俊, 汤圣君

单位：1.江西师范大学 软件学院，南昌 330022；2.深圳大学 建筑与城市规划学院，广东 深圳 518060

关键词：图卷积网络,异配图,图表示学习,Graph Transformer,节点分类

基金：广东省自然科学基金资助项目(2121A1515012574)

现有的图卷积网络（GCN）模型基于同配性假设，无法直接应用于异配图的表示学习，且许多异配图表示学习的研究工作受消息传递机制的限制，导致节点特征混淆和特征过度挤压而出现过平滑问题。针对这些问题，提出一种基于Graph Transformer的半监督异配图表示学习模型HPGT（HeteroPhilic Graph Transformer）。首先，使用度连接概率矩阵采样节点的路径邻域，再通过自注意力机制自适应地聚合路径上的节点异配连接模式，编码得到节点的结构信息，用节点的原始属性信息和结构信息构建Transformer层的自注意力模块；其次，将每个节点自身的隐层表示与它的邻域节点的隐层表示分离更新以避免节点通过自注意力模块聚合过量的自身信息，再把每个节点表示与它的邻域表示连接，得到单个Transformer层的输出，另外，将所有的Transformer层的输出跳连到最终的节点隐层表示以防止中间层信息丢失；最后，使用线性层和Softmax层将节点的隐层表示映射到节点的预测标签。实验结果表明，与无结构编码（SE）的模型相比，基于度连接概率的SE能为Transformer层的自注意力模块提供有效的偏差信息，HPGT平均准确率提升0.99%~11.98%；与对比模型相比，在异配数据集（Texas、Cornell、Wisconsin和Actor）上，模型节点分类准确率提升0.21%~1.69%，在同配数据集（Cora、CiteSeer和PubMed）上，节点分类准确率分别达到了0.837 9、0.746 7和0.886 2。以上结果验证了HPGT具有较强的异配图表示学习能力，尤其适用于强异配图节点分类任务。

来源：2024年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第6期