基于图卷积神经网络的网络节点补全算法

网状数据结构通常获取的网络数据不完整,存在缺失节点.对此,文中提出基于图卷积神经网络的网络节点补全算法.首先对可观测网络进行成对采样,构造目标节点对的封闭子图和特征矩阵.然后利用图卷积神经网络提取子图及特征矩阵的表征向量,用于推断子图中的目标节点对之间是否存在缺失节点,同时判断不同目标节点对间的缺失节点是否为同一节点.最后,在真实网络数据集及人工生成的网络数据集上的实验表明,文中算法可较好解决网络补全问题,在缺失节点比例较大时仍能有效补全网络.

基于属性补全的药物与疾病关联预测

预测药物-疾病关联关系,有助于降低药物开发的成本和时间开销。先前的方法没有基于异构网络的拓扑信息对缺失属性的疾病节点进行节点属性补全,本文提出了一个新的预测方法来编码和整合多个元路径的语义,学习得到药物和疾病节点的拓扑嵌入。以节点间的拓扑关系为指导,对有属性的药物节点属性进行加权聚合,来补全没有属性的疾病节点。此外,本文还设计了一个元路径层面注意力机制和一个邻居层面注意力机制,分别融合来自多个元路径的语义信息和节点邻居的信息。采用了五倍交叉验证的方法进行评估,结果表明新的预测模型取得了比其它模型更高的预测性能。