发表于: Knowledge and Information Systems, ccfb
推荐指数: #paper/ ⭐
总结: 重新定义了相似度矩阵, 重新定义了特征, 重新设计了节点删除概率等, 但是, 换汤不换药, 引入了大量的超参 (快 10 个了吧). 创新点不够, 所以 ccf B 期刊理所应该. (甚至我觉得更低)

相关知识:

本地组合性:
r ( v ) = 1 Q max ⁡ ∑ g ( e g g ( v ) − a g 2 ) (1) r(v)=\frac1{Q_{\max}}\sum_g(e_{gg}(v)-a_g^2)\tag{1} r(v)=Qmax​1​g∑​(egg​(v)−ag2​)(1)
∑ h e g h = ∑ i ∈ g k i / 2 m (2) \sum_he_{gh}=\sum_{i\in g}k_i/2m\tag{2} h∑​egh​=i∈g∑​ki​/2m(2)
本地特征组合性:
r ( v ) ( f ) = 1 Q max ⁡ ∑ g ( e g g ( v ) ( f ) − a g 2 ( f ) ) , f ∈ R F (3) r(v)(f)=\frac1{Q_{\max}}\sum_g\left(e_{gg}(v)(f)-a_g^2(f)\right),f\in\mathbb{R}^{F}\tag{3} r(v)(f)=Qmax​1​g∑​(egg​(v)(f)−ag2​(f)),f∈RF(3)
最终,我们定义如下同配性:
r ( f ) = 1 N ∑ v ∈ V r ( v ) ( f ) (4) r(f)=\frac1N\sum_{v\in\mathcal{V}}r(v)(f)\tag{4} r(f)=N1​v∈V∑​r(v)(f)(4)
本地特征组合向量可以被写作:
r ^ ( v ) = [ r ( v ) ( f 1 ) , r ( v ) ( f 2 ) , … , r ( v ) ( f F ) ] , r ^ ( v ) ∈ R F , (5) \hat{r}(v)=\begin{bmatrix}r(v)(f_1),r(v)(f_2),\ldots,r(v)(f_F)\end{bmatrix}, \hat{r}(v)\in\mathbb{R}^F,\tag{5} r^(v)=[r(v)(f1​),r(v)(f2​),…,r(v)(fF​)​],r^(v)∈RF,(5)
其中, f i f_{i} fi​是特征矩阵X的列

特征/结构相似性:

S ( u , v ) = α ⋅ P S ( u , v ) + ( 1 − α ) ⋅ F S ( u , v ) (6) S(u,v)=\alpha\cdot PS(u,v)+(1-\alpha)\cdot FS(u,v)\tag{6} S(u,v)=α⋅PS(u,v)+(1−α)⋅FS(u,v)(6)
其中, S u , v S_{u,v} Su,v​代表我们提出的特征&FDP-based 节点u和v的相似性

预增强

我们设置如上相似性矩阵的阈值为: S k = S max ⁡ ⋅ k S_k=S_{\max}\cdot k Sk​=Smax​⋅k.我们使用邻接矩阵 A ∗ A^{*} A∗取表示预增强图.其中, A i j ∗ = 1   i f   S i j > S k A_{ij}^{*}=1\mathrm{~if~}S_{ij}>S_{k} Aij∗​=1 if Sij​>Sk​或 A i j = 1 , A i j ∗ = 0 A_{ij}=1,A_{ij}^*=0 Aij​=1,Aij∗​=0。

视图生成

基于相似性的边删除

我们根据如下概率矩阵取删除边:
P d r o p ( u , v ) = min ⁡ ( ( 1 − S ( u , v ) ) ⋅ p r , τ r ) P_{\mathrm{drop}}(u,v)=\min\left(\left(1-S(u,v)\right)\cdot p_r,\tau_r\right) Pdrop​(u,v)=min((1−S(u,v))⋅pr​,τr​)
其中, p r p_{r} pr​是超参, τ r \tau_{r} τr​是干涉值阻止图崩塌.删边在 A ∗ A^* A∗上执行

基于本地assortativity的特征增强

由于特征在高LFA的维度重要性会降低,(即特征维度的重要性和LFA负相关),我们定义特征维度的重要性为:
w f = 1 − r ( f ) w_f=1-r(f) wf​=1−r(f)
其中， w f w_{f} wf​的范围为[0,1]
最终,我们可以应用正则化特征掩码概率:
P m a s k ( f ) = min ⁡ ( w max ⁡ − w f w max ⁡ − w min ⁡ ⋅ p f , τ f ) P_{mask}(f)=\min\left(\frac{w_{\max}-w_f}{w_{\max}-w_{\min}}\cdot p_f,\tau_f\right) Pmask​(f)=min(wmax​−wmin​wmax​−wf​​⋅pf​,τf​)
p f p_{f} pf​ 是控制超参控制特征源码概率. τ f < 1 \tau_{f}<1 τf​<1 是为了控制掩码概率导致太系数的特征, 我们设置为 0.7
最终, 掩码后的节点特征矩阵可以表示为:
X ~ = [ x 1 ∘ m ~ ; x 2 ∘ m ~ ; ⋯   ; x N ∘ m ~ ] \widetilde{\mathbf{X}}=[\mathbf{x}_1\circ\widetilde{\mathbf{m}};\mathbf{x}_2\circ\widetilde{\mathbf{m}};\cdots;\mathbf{x}_N\circ\widetilde{\mathbf{m}}] X=[x1​∘m;x2​∘m;⋯;xN​∘m]
m ~ \tilde{m} m~ 表示节点特征掩码矩阵, 其通过贝努力分布生成.

基于相似性的负样本采样

N S R ( u ) = { v ∣ v ≠ u , v ≠ u ′ , u , v ∈ V 1 ∪ V 2 } \mathrm{NSR}(u)=\{v\mid v\neq u,v\neq u',u,v\in V_1\cup V_2\} NSR(u)={v∣v=u,v=u′,u,v∈V1​∪V2​}
其中, u 是目标/锚节点, u’是 u 在另外一个视图的置信节点. V i V_{i} Vi​ 表示第 i 个视图.
N S ( u ) = { v ∣ S ( u , v ) < ξ , v ∈ N S R ( u ) } \mathrm{NS}(u)=\{v\mid S(u,v)<\xi,v\in\mathrm{NSR}(u)\} NS(u)={v∣S(u,v)<ξ,v∈NSR(u)}
ξ \xi ξ 是控制负样本集的超参

损失函数

最终, 损失函数为:
ℓ ( u i , v i ) = log ⁡ e θ ( u i , v i ) / τ e θ ( u i , v i ) / τ + ∑ v k ∈ N S ( u i ) e θ ( u i , v k ) / τ \ell(\mathbf{u}_i,\mathbf{v}_i)=\log\frac{e^{\theta(\mathbf{u}_i,\mathbf{v}_i)/\tau}}{e^{\theta(\mathbf{u}_i,\mathbf{v}_i)/\tau}+\sum_{v_k\in NS(u_i)}e^{\theta(\mathbf{u}_i,\mathbf{v}_k)/\tau}} ℓ(ui​,vi​)=logeθ(ui​,vi​)/τ+∑vk​∈NS(ui​)​eθ(ui​,vk​)/τeθ(ui​,vi​)/τ​
u i u_{i} ui​ 是 anchor 节点. J = 1 2 N ∑ i = 1 N [ ℓ ( u i , v i ) + ℓ ( v i , u i ) ] . \mathcal{J}=\frac1{2N}\sum_{i=1}^N\Big[\ell(\mathbf{u}_i,\mathbf{v}_i)+\ell(\mathbf{v}_i,\mathbf{u}_i)\Big]. J=2N1​i=1∑N​[ℓ(ui​,vi​)+ℓ(vi​,ui​)].