融合全局和局部信息的端到端边分类方法

摘要

边分类是图挖掘和社交网络分析中的一个重要研究方向。然而,现有边分类方法往往通过聚合连边端点的表示来间接提取边的特征,且设计为非端到端的学习方式,会造成较大的信息损失。针对上述问题,该文提出一种融合全局和局部信息的边分类模型EGLec(end-to-endModel withglobal andlocal InformationFusionfor edge classification),将边特征提取和边分类过程建模成端到端的训练方式。首先,根据网络中所有节点对边的权重构建边的全局信息。其次,结合图自编码器和深度自编码器,分别提取网络的结构特征和边全局信息的深层语义特征,以生成连边的结构嵌入和全局特征嵌入。最后,融合结构嵌入和全局特征嵌入得到最终的连边表示以用于边分类。在三个真实数据集上的对比实验验证了该文所提出模型可显著提高边分类性能。