文章摘要:图神经网络在社交网络、推荐系统和生物信息等领域取得成功，但对于网络中拥有的复杂信息，需要更多的方式抽取其中有用的信息，现有的单特征图神经网络无法完整地刻画网络中的相关特性。针对该问题，本文提出了基于混合特征的图卷积神经网络模型HDGCN。首先，该模型通过图卷积神经网络，得到节点的结构特征向量和语义特征向量；然后，通过改进基于注意力机制或门控机制的聚合函数，选择性地聚合语义网络节点的特征，增强节点的特征表达能力；最后，通过一种可行的基于双通道图卷积神经网络融合机制得到节点的混合特征向量，将节点的结构和语义特征联合建模，使特征之间互相补充，提升其后续各种机器学习任务的表现。本文在CiteSeer,DBLP和SDBLP三个数据集上进行验证，基于混合特征训练的双通道图卷积神经网络模型与基于结构特征训练的图卷积神经网络模型相比，在训练集比例为20%、40%、60%、80%上Micro-F1值平均分别提升了2.43、2.14、1.86和2.13个百分点，Macro-F1值平均分别提升了1.38、0.33、1.06和0.86个百分点。拼接或平均作为融合策略时，准确率相差不超过0.5%，则拼接或平均值均可以作为融合策略。实验结果表明，HDGCN在节点分类和聚类任务上精确度高于单纯使用结构或语义网络训练的模型，并且模型的输出维度为64、学习率为0.001、2层图卷积层和注意力向量为128维时效果最好。

文章关键词:

项目基金:《信息记录材料》 网址: http://www.xxjlcl.cn/qikandaodu/2022/0126/2484.html