AAAIJan, 2021

SDGNN：学习有向带符号网络节点表示

PDF
TL;DR本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。
network embeddinggraph neural networkssigned directed networkssociological theorieslink direction
发现论文，激发创造
  • 带符号网络中深度网络嵌入的图表示学习

    本研究使用深度学习网络嵌入方法，在保持结构平衡的前提下，学习有符号网络中的低维节点向量表示，并实现签名网络中的连接符号预测和社区探测。

    Jan, 2019

  • 有符号图卷积网络

    本文提出了一种基于平衡理论的有向图卷积神经网络模型，用于在带有正负连接的有向图中进行节点表示学习，并证明其在 link sign prediction 等问题上的有效性。

    Aug, 2018

  • MSGNN: 基于新型磁性符号 Laplacian 的谱图神经网络

    该研究介绍了一种名为磁签 Laplacian 的矩阵，作为有向网络的谱图神经网络（GNNs）的一种新颖有效的构建方式。实验证明，所提出的谱 GNN 可有效地结合了有向信息和签名信息，并在广泛的数据集上取得了领先的性能。

    Sep, 2022

  • 有符号网络的分布式表示

    SIGNet 是一种针对有符号网络的嵌入方法，利用社会平衡理论建立目标函数，加上新的有针对性的节点抽取策略来维护高阶邻域的结构平衡，较其他方法更优，可以生成更丰富的有符号网络特征词汇以支持表达和推理。

    Feb, 2017

  • 有符号图注意力网络

    本文中，我们提出了基于图注意力网络（GAT）的正负权网络的通用求解器 - Signed Graph Attention Network（SiGAT）。SiGAT 结合了图图形理论，将常规 GAT 表示和处理有正权重和无权重的网络扩展到对于有正权重和负权重都包含的网络。实验结果表明，SiGAT 在三个真实数据集上的表现优于基于特征和网络嵌入方法，以及现有的基于 GNN 的方法，如带符号图卷积网络（SGCN）。

    Jun, 2019

  • SNE: 带符号网络嵌入

    本研究提出了一种名为 SNE 的网络嵌入模型，用于处理有正负权边的网络，并且在节点分类和边预测中与其他四种嵌入方法进行了比较。实验结果表明该模型的有效性。

    Mar, 2017

  • CSG: 有符号图的课程表示学习

    我们提出了一种基于课程的训练方法，通过引入轻量级机制和创造签名图课程表示学习框架，优化了 SGNN 模型呈现样本的顺序，并在六个真实数据集上进行了实证验证，结果表明在链接符号预测（AUC）中，模型的准确性提高了 23.7%，标准差降低了 8.4。

    Oct, 2023

  • 基于可信度的图卷积网络用于带符号网络嵌入

    通过使用边缘符号的可信性修正图卷积网络（GCN）中的错误嵌入传播，提出了一种名为 TrustSGCN 的新型基于 GCN 的签名网络嵌入方法，该方法利用了平衡理论推断出的高阶关系的边缘符号的可信性。实验证明 TrustSGCN 在四个真实世界的签名网络数据集上始终优于其他五种基于 GCN 的签名网络嵌入方法。

    Sep, 2023

  • SGA：一种用于带符号图神经网络的图增强方法

    本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战，并引入了一种新颖的有向图增强框架（SGA），通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本，最终改善了多个性能指标。

    Oct, 2023

  • 基于线性优化的带符号子图编码方法用于链路符号预测

    该论文提出了一种名为 SELO 的不同于 SDGNN 的链接符号预测结构，使用子图编码方法学习带符号有向网络的边嵌入，通过线性优化将子图嵌入到可能性矩阵中。在六个真实的带符号网络上，SELO 模型均表现出比现有基于特征和嵌入的方法更好的预测性能。

    May, 2023