节点属性增强的图自编码器

张 芳，王 祺，刘彦北

（1.天津工业大学 生命科学学院，天津 300387；2.天津工业大学 电子与信息工程学院，天津 300387）

图是表示不规则数据的强大工具，其结构链接表示连接实体之间的某种形式的关系。在化学领域[1]中，它们可以代表化合物的分子结构；在生物学领域[2]中，它们可以代表蛋白质相互作用的网络；在社会科学领域[3]中，它们可以代表人际关系网络。图表示学习已经成为越来越受欢迎的研究领域，被用来解决各行各业的问题，例如：在生物化学领域中的药物设计、疾病分类；在交通领域对交通需求预测、道路速度预测；在计算机视觉领域的目标检测、视觉推理；在自然语言处理领域的实体关系抽取、文本生成；在网络运营领域的社交推荐系统、用户行为预测等。

图自编码器是一类图表示学习方法，旨在通过使用神经网络体系结构将网络顶点表示为低维向量空间[4]。一种典型的解决方案是利用多层感知器作为编码器来获取节点表示，其中解码器重建节点邻域统计信息。自动编码器及其变体广泛用于无监督学习，适用于学习没有标签信息的图的节点表示。稀疏自动编码器（SAE）[5]将邻接矩阵或其变体作为节点的原始特征，并使用自动编码器作为降维技术来学习低维节点表示。用于图表示的深度神经网络（DNGR）[6]使用堆叠式去噪自动编码器来重构逐点互信息矩阵（PPMI），特别是当存在缺失值时学习得到的潜在表示更具有鲁棒性。结构深度网络嵌入（SDNE）[7]使用堆叠式自动编码器共同保留节点的一阶近似度和二阶近似度。……