Sep, 2021

基于上下文路径的异构图社区检测：图神经网络模型

PDF
TL;DR在本文中，我们提出了一种基于上下文路径的图神经网络（CP-GNN）模型，通过递归地嵌入节点之间的高阶关系来区分不同关系的重要性，学习既能保留节点之间高阶关系又有助于社区检测的节点嵌入，从而优于现有社区检测方法。
community detectionheterogeneous graphcontext pathgraph neural networkembedding mechanism
发现论文，激发创造
  • 利用元路径上下文进行异质信息网络分类

    该论文提出了一种名为 ConCH 的图神经网络模型，通过组合半监督学习和自监督学习从标记和未标记数据中学习，并使用元路径来捕获对象之间的语义关系，在 HIN 分类任务中取得了显著的性能优势。

    Dec, 2020

  • 基于图神经网络的重叠社区发现

    本研究提出了一种基于图神经网络的模型，用于检测重叠社区，相对于现有的基线方法，我们的模型表现更为出色。此外，我们的实验表明，该模型具有有效性、可扩展性和对超参数设置的鲁棒性，并且图神经网络是该模型的关键因素。

    Sep, 2019

  • 异构网络上基于自动路径发现的相似度建模

    这篇论文介绍了使用连续强化学习和深度内容嵌入相结合的半监督联合学习框架以自动发现对于两个节点组对的有用路径来解决异构网络中复杂节点相似性建模的挑战，并且通过实验表明了该算法的出色性能。

    Sep, 2019

  • 利用异构图模型对生物实体的空间关系进行建模，用于乳腺癌的诊断

    本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

    Jul, 2023

  • 异构图注意力网络

    该论文提出了一种基于分层注意力机制的异构图神经网络，包括节点层次和语义层次的注意力机制，通过从元路径邻居中汇总特征来生成节点嵌入，其在三个真实的异构图上表现出优越性能且有助于图分析。

    Mar, 2019

  • 利用图神经网络辅助的探索式学习进行未知拓扑的社群检测

    通过采集易于获得的节点元数据，META-CODE 提出了一种新的端到端解决方案，用于检测未知拓扑结构的网络中的重叠社区， META-CODE 通过图神经网络训练节点层次社区从属嵌入，并使用 Siamese 神经网络模型进行网络推理。

    Apr, 2023

  • MetaGraph2Vec： 复杂语义路径增强异构网络嵌入

    本文提出一种新的多元化方法 ——Metagraph，用于网络嵌入学习中捕捉不同节点之间更丰富的结构和语义上下文信息，从而在处理非常稀疏的异构信息网络时提高了 MetaPath 嵌入技术的能力，并实验证明 MetaGraph2Vec 算法能够优于各项异质网络挖掘任务中的现有技术。

    Mar, 2018

  • HAGNN：异构图神经网络的混合聚合算法

    本文提出了一种新的框架，名为 HAGNN（Hybrid Aggregation for Heterogeneous GNNs），可以同时利用元路径邻居和直接相连邻居进行节点聚合来充分利用异构图中的异质性，通过在自身内部对齐和外部对齐两个阶段分别聚合结构语义信息和类型语义信息，获得了优于现有异构 GNN 模型的效果。

    Jul, 2023

  • 使用 Line 图神经网络进行监督式社群检测

    使用图神经网络的有监督学习方法来解决社区检测问题，并在数据驱动和无准入下表现出比信念传播算法更好的性能，同时在实际数据集上也获得了良好的表现，此外，对于使用线性 GNN 进行社区检测问题训练的优化梯度的第一次分析也被给出。

    May, 2017

  • 利用元路径进行异构图自监督辅助学习

    本文提出了一种基于元路径的自监督辅助学习方法来学习异构图上的图神经网络，通过预测元路径作为辅助任务来进行主任务的学习，可以自动平衡辅助任务的有效组合以提高主任务性能，实验证明该方法可以在异构图上改进链接预测和节点分类的性能。

    Jul, 2020