基于互信息最大化和聚类感知的节点表示学习

节点表示学习是研究各类图结构数据的基础.图结构数据具有复杂的结构关系和丰富的节点信息,因此如何融合图结构和节点信息学习高质量的节点表示仍是一个挑战性问题.为此,提出一种基于互信息最大化和聚类感知的节点表示学习模型.首先,对原始图使用图扩散方法构造扩散图;然后,使用图卷积网络编码两个图到低维特征空间获得节点表示和全局表示;最后,基于互信息最大化原理,最大化一个图的节点表示和另一个图的全局表示间的一致性,反之亦然.同时,将语义相似的节点聚类到同一个簇,并最大化两个图的节点表示间的聚类一致性.在两个引文数据集上的节点分类和节点聚类的实验结果表明,该模型的性能在多项指标上都优于基线方法.以Cora数据集为例,在节点分类任务上,该模型对比基线方法在准确率和F1值指标上分别提高了2.7和0.6个百分点.

基于图卷积网络的《伤寒论》异质图构建及节点表示学习方法

目的基于图卷积神经网络,构建《伤寒论》“症状-方剂-中药”异质图并探寻节点向量表示的最优学习方法。方法从《伤寒论》含处方的条文中提取出症状、方剂、中药信息,构建“症状-方剂-中药”异质图,基于图卷积网络提出一种“症状-方剂-中药”异质图节点表示学习方法—中医图卷积网络(TCM-GCN),利用TCMGCN分别对症状-方剂、症状-中药、方剂-中药异质图进行学习,基于消息传递和邻居聚合进行高阶传播得到节点的表示特征向量,获得症状、方剂、中药三类节点表示集合,为下游诊断预测模型任务的顺利开展提供基础。结果通过多热编码、非融合编码、融合编码三种节点表示方式在模型预测实验中对比发现,融合编码方式获得了相对较高的精准率、召回率和F1-score值,其Precision@10、Recall@10和F1-score@10值较非融合编码分别提升了9.77%、6.65%和8.30%。结论融合编码方式生成的节点表示在实验中取得了较好效果,表明《伤寒论》异质图节点表示TCM-GCN方法的有效性,也将提升其在下游诊断预测任务上的性能。