PLINK:用于节点分类的网络表示的配对学习方法

《Expert Systems with Applications》:PLINK: Pair-Learning for Network Representation on Node Classification

【字体: 大 中 小 】 时间:2026年01月16日 来源:Expert Systems with Applications 7.5

编辑推荐:

  网络表示学习通过双分支协作模型PLINK融合结构邻域网络与角色语义网络,采用自学习提取特定信息、互学习增强共性,并基于HSIC最大化差异、MI最大化统一性。实验表明PLINK在6个数据集上分类性能平均提升12%,优于13种基准方法。

  
周明强|唐琦|江英倩|张敏
中国重庆大学计算机科学与技术学院

摘要

网络表示学习旨在对具有邻居节点的复杂结构网络或包含角色信息的语义网络进行建模。然而,大多数现有方法仅关注结构或语义方面,忽略了它们之间的隐藏关系。因此,我们提出了PLINK,这是一种双分支对学习模型,能够同时从结构和语义网络中学习。PLINK通过解耦构建两个语义上不同的网络:一个捕获局部结构相似性的邻域网络,以及一个学习更深层次语义相似性的角色网络。该模型结合了视图内的自学习和视图间的互学习,从而实现信息的互补。广泛的实验表明,PLINK在六个节点分类基准测试中优于13种基线方法,在每个数据集上的Micro-F1分数平均提高了12%,超过了第二好的模型。这一结果证明了对学习方法在改进网络表示学习方面的有效性。这也意味着PLINK可以将复杂的现实世界数据转化为有信息量的语义表示,使其更适用于各种应用。

引言

网络反映了现实世界中的互动关系。例如,分析社交网络有助于我们理解用户行为,实现个性化内容传递和精准广告。同样,分析交通网络(如路径选择和流量监控)有助于优化资源分配并改进交通系统设计。网络表示学习的目标是将网络中的节点映射到低维向量空间,同时尽可能保留原始信息(如结构和属性),并保持推理能力(Li & Pi, 2020)。学习到的表示可以用于节点分类(Prithviraj et al., 2008)、链接预测(Linyuan & Tao, 2011)、网络重构(Ou, Cui, Pei, Zhang, & Zhu, 2016)以及大型模型的下游任务的微调(Liu et al., 2023)。
结构是网络的最基本信息,例如社交网络中的相互关注关系或航空网络中机场之间的直飞航线。然而,一些模型仅考虑相邻节点的结构,而忽略了远处甚至断开节点之间的结构相似性(Jiao et al., 2022),即语义信息。因此,角色正受到更多关注,因为它能够有效捕获远处甚至断开节点的语义信息。
节点的角色有效地解释了节点在网络中的影响,例如社交网络中的意见领袖、活跃影响者和边缘参与者。即使彼此相距较远或断开的节点也可能扮演类似的关键角色,产生显著影响并对下游任务至关重要。因此,如何挖掘不仅节点连接这样的结构特征,还有远处或断开节点的角色这样的语义信息是值得讨论的。
此外,网络通常包含来自多种模态的信息,多维网络学习可以产生更具信息量和全面性的网络表示(Li, Yang, & Zhang, 2019)。基于结构的网络(本文中称为邻域网络)表示学习方法仅学习局部结构。同样,基于角色的网络表示方法更侧重于从全局视角学习节点的影响。尽管这两个网络源自同一网络,但它们携带不同层次的语义信息。从这个角度来看,邻域网络和角色网络是互补的网络。如果将这两个网络映射并整合到一个共同的向量空间中,那么网络之间的信息交换就可以进行,使两个网络能够协同学习(Zhang, Xiang, Hospedales, & Lu, 2018)。因此,如何使网络的多个维度协同学习是一个持续的问题。
本文的主要目标和挑战如下:
挑战1:如何通过解耦构建两个语义上不同的网络?
除了结构信息外,还有许多其他附加信息,如节点的属性。此外,一个节点可能只有一个或多个角色。从原始网络构建一个具有语义意识的角色网络是具有挑战性的。因此,本文提出了一种通过解耦节点结构和模式特征来构建独立角色网络和邻域网络的方法。
挑战2:如何协同学习两个语义上不同的视图?
实际上,邻域网络和角色网络是互补的。然而,仅基于两个语义独立视图之间的对齐进行学习是不够的。为此,本文提出了一种包含自学习和互学习的对学习方法,其中自学习用于学习每个网络的具体信息,互学习用于学习两个网络之间的共同信息。
挑战3:如何通过对学习提取视图之间的差异和一致性?
给定一个网络,具体信息通过自学习过程获得,共同信息通过互学习获得。简单地连接这些表示不能保证对学习的效率。因此,有效评估具体信息和共同信息的学习是具有挑战性的。为了确保对学习方法的效率,本文使用Hilbert-Schmidt独立性准则(HSIC)来最大化两个具体信息成分之间的差异,同时利用互信息(MI)最大化来增强两个网络之间共享的共同信息的一致性。
总体而言,本文提出了一种网络构建方法,并设计了一种称为PLINK的对学习模型来学习更好的网络表示。它解决了以前的网络表示学习方法仅关注单一维度的表示而忽略不同维度之间的关系依赖性和协作的问题。本文的主要贡献如下:
  • •
    提出了一种通过解耦构建语义上不同视图的方法:PLINK通过角色特征构建和角色分配形成角色矩阵来构建角色网络。
  • •
    提出了一种协同对学习方法:PLINK使用对学习方法学习网络表示,同时实现每个网络的独立学习和网络之间的协同学习。
  • •
    提出了一种用于提取对学习中差异和一致性的评估方法:PLINK使用HSIC来增强网络之间的差异,并使用MI最大化来增强网络之间的一致性,从而确保对学习的有效性。
  • •
    实验结果表明,PLINK在6个数据集的节点分类任务中优于其他13个模型,在Micro-F1分数上平均提高了12%,这表明使用PLINK进行网络表示学习是有效的。
  • 本文的其余部分组织如下:第二节将介绍相关工作。第三节将介绍模型的方法。第四部分将展示和分析实验结果。最后一部分将总结本文的工作并讨论未来的研究方向。

    章节片段

    网络表示学习

    网络表示学习旨在编码节点的结构和关系,其核心思想是通过嵌入将节点及其特征映射到低维向量空间,同时尽可能保留原始信息,以便学习到的表示可以在节点分类和链接预测等任务中表现得更好(Zhang, Yin, Zhu, & Zhang, 2020)。基于结构的网络表示是通过节点的相对位置生成的

    方法

    基于多维网络学习可以提高网络表示效率的思想,本文首先根据结构维度和语义维度构建了一个邻域网络和一个角色网络。然后将这两个构建的网络输入对学习模块,其中自学习过程使每个网络能够独立学习其特定信息,而互学习过程促进它们之间的协作

    实验

    分类是一种测试网络表示有效性的通用方法。PLINK将通过在六个广泛使用的网络数据集上进行节点分类任务来测试学习到的表示,并通过将实验结果与其他主流网络表示学习方法进行比较来评估性能。

    结论

    针对当前模型仅关注网络单一维度的表示学习而忽略不同维度之间的协作效应的问题,本文创新性地提出了PLINK,这是一种多维表示学习方法,它将原始网络解耦为邻域网络和角色网络,并采用对学习框架进行跨网络的协同学习。与13种方法相比

    未引用文献

    表4

    CRediT作者贡献声明

    周明强:概念化、监督、资金获取、撰写——审阅与编辑。唐琦:验证、撰写——审阅与编辑、可视化、软件。江英倩:撰写——审阅与编辑、方法论、软件。张敏:形式分析、调查。

    利益冲突声明

    作者没有需要披露的相关财务或非财务利益。作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号