检索结果-内蒙古大学图书馆

计算机研究与发展 2023年第8期60卷 1808-1821页

作者：焦鹏飞刘欢吕乐高梦州张纪林刘栋杭州电子科技大学网络空间安全学院杭州310018 杭州电子科技大学计算机学院杭州310018 河南师范大学计算机与信息工程学院河南新乡453007 数据安全治理浙江省工程研究中心杭州310018

图神经网络由于其对图结构数据的强大表征能力近年来受到广泛关注.现有图神经网络方法主要建模静态同质图数据,然而现实世界复杂系统往往包含多类型动态演化的实体及关系,此类复杂系统更适合建模为动态异质图.目前,动态异质图表示学习... 详细信息

图神经网络由于其对图结构数据的强大表征能力近年来受到广泛关注.现有图神经网络方法主要建模静态同质图数据,然而现实世界复杂系统往往包含多类型动态演化的实体及关系,此类复杂系统更适合建模为动态异质图.目前,动态异质图表示学习方法主要集中于半监督学习范式,其存在监督信息昂贵和泛化性较差等问题.针对以上问题,提出了一种基于对比学习的全局增强动态异质图神经网络.具体地,所提网络首先通过异质层次化注意力机制根据历史信息来生成未来的邻近性保持的节点表示,然后通过对比学习最大化局部节点表示和全局图表示的互信息来丰富节点表示中的全局语义信息.实验结果表明,提出的自监督动态异质图表示学习方法在多个真实世界数据集的链路预测任务上的AUC指标平均提升了3.95%.

关键词：动态链路预测动态异质图图表示学习对比学习自监督学习

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的动态异质图链接预测

基于图神经网络的动态异质图链接预测

引用

作者：朱嘉润中国科学技术大学

学位级别：硕士

随着信息技术的发展,人类社会积累了大量的图数据,其中相当一部分是动态异质图数据。动态异质图是一种由附带有时间标签的多种类型事件构成的图,建模动态异质图能够应用于多个下游任务,如链接预测、节点分类等。这些任务中,动态异质图... 详细信息

随着信息技术的发展,人类社会积累了大量的图数据,其中相当一部分是动态异质图数据。动态异质图是一种由附带有时间标签的多种类型事件构成的图,建模动态异质图能够应用于多个下游任务,如链接预测、节点分类等。这些任务中,动态异质图的链接预测被广泛地应用于推荐系统、社交网络等多个重要场景。近年来,图神经网络等范式在动态异质图的链接预测上取得了较大的进展。然而,动态异质图的链接预测在事件影响力衰减的有效利用、事件类型因果性的充分利用上依然存在一些亟待解决的问题。本文对以上两个问题进行了探索和研究,提出了解决方案并在实验中分别验证了每个算法的有效性。主要研究内容如下:(1)针对事件影响力衰减的有效利用这一问题,本文提出了动态异质图上的事件影响力衰减机制,显式定义事件影响力衰减过程。基于事件影响力衰减机制,本文提出了基于事件影响力衰减的异质注意力网络。该方法使用基于事件影响力衰减的子图聚合模块捕捉图的拓扑结构。基于事件衰减机制的子图聚合模块改进自图自注意力结构,能够对节点的邻域中影响力高的事件分配更多的注意力,从而使得聚合的信息具有更强的时效性。此外,该方法利用时序遗忘机制对图快照序列的信息进行聚合,能够个性化地根据节点特征对事件影响力进行额外衰减,且能够捕捉动态异质图的动态性。(2)针对事件因果性被忽略这一问题,本文首先提出了一种显式定义边类型关系的异质因果图。异质因果图显式建模了事件类型之间的因果性,通过屏蔽无关类型的历史事件,从图结构的角度利用事件类型因果性。随后,本文提出了一种基于事件类型因果关系的连续时间异质注意力网络来建模动态异质图。在预测过程中,该方法基于事件类型的因果的强度进行特征的聚合,能够为与待预测事件因果性较强的历史事件分配更多的注意力,进而从模型的角度利用事件类型因果性。对于事件类型的因果性强度的利用能够为预测过程减少来自弱相关事件的噪音。本文在多个数据集上对以上两个算法的有效性进行验证,结果表明,与同类算法相比,两个方法均在链接预测实验上取得了更好的表现。

关键词：动态异质图图注意力网络链接预测连续时间模型

来源：评论

学校读者我要写书评

暂无评论

动态异质图表示学习方法研究

动态异质图表示学习方法研究

引用

作者：刘欢杭州电子科技大学

学位级别：硕士

随着互联网和信息化的迅速发展,包含动态性和异质性的复杂网络在人类生产生活中日益显现。近年来,随着深度学习和图神经网络研究的发展,图表示学习在现实世界复杂网络建模与挖掘方面取得了显著成效。然而,在面对普遍同时存在异质性和动... 详细信息

随着互联网和信息化的迅速发展,包含动态性和异质性的复杂网络在人类生产生活中日益显现。近年来,随着深度学习和图神经网络研究的发展,图表示学习在现实世界复杂网络建模与挖掘方面取得了显著成效。然而,在面对普遍同时存在异质性和动态性的现实世界复杂网络时,现有研究在处理动态异质图数据时仍存在异质兼容泛化性不足和无法感知全局性信息等问题。因此,本文以提升现有动态异质图神经网络的泛化性和全局结构感知能力为主要目标,针对以上两个问题进行了深入的研究,分别提出了两项新颖的研究工作,并且通过详细的实验分别验证了所提方法的有效性。本文的主要工作和贡献总结如下: 针对现有研究异质兼容泛化性较差问题,提出框架动态异质图神经网络即插即用扩展框架(HGN2T)。该框架通过历史特征整合模块整合动态异质图历史快照中的动态演化信息,并通过拓扑演化更新模块将网络异质拓扑结构引入到时序性演化信息建模及更新过程。最终,HGN2T通过联合优化当前时刻链路检测和未来时刻链路预测任务训练模型以充分捕获异质结构信息和时序依赖信息,既保留现有异质图神经网络的异质性建模能力,又有效扩展其对时序动态性建模能力,从而获得更具通用性和泛化性的动态异质图表示学习能力。针对现有研究无法感知全局性信息问题,提出了基于对比学习的全局结构感知增强动态异质图神经网络模型(HTGCL)。该模型通过异质性层次注意力消息传递机制分别捕获节点及其邻域的空域节点特征,并通过时序注意力机制建模节点在时域的动态演化特征,从而得到关于多快照的动态异质性节点局部表示,通过联合对比学习最大化动态异质图时序性邻域表示和全局结构表示之间的互信息增强局部表示,使模型避免过度关注低阶结构并提升全局性信息感知能力。综上,本文从异质兼容泛化性和全局性信息动态感知的角度出发,提出了面向动态异质图表示学习的图神经网络扩展框架和基于对比学习的全局结构增强图神经网络模型。通过在真实动态异质图数据集上开展实验对提出框架和模型进行有效性验证,大量实验结果验证了本文所提方法的有效性,并且相比于各类基线模型更具通用性和更卓越的网络异质性和动态性建模能力。

关键词：动态异质图图表示学习动态链路预测对比学习

来源：评论

学校读者我要写书评

暂无评论

异质图表示学习方法及应用研究

异质图表示学习方法及应用研究

引用

作者：卫相宇北京交通大学

学位级别：博士

在数字化时代,信息爆炸式增长,蕴含复杂交互行为的图结构数据激增,如社交网络中的用户关系数据、电子商务平台的交易数据和智能交通系统中的交通流数据。有效理解和挖掘图结构数据中隐藏的信息,在社交网络分析、推荐系统和知识发现等领... 详细信息

在数字化时代,信息爆炸式增长,蕴含复杂交互行为的图结构数据激增,如社交网络中的用户关系数据、电子商务平台的交易数据和智能交通系统中的交通流数据。有效理解和挖掘图结构数据中隐藏的信息,在社交网络分析、推荐系统和知识发现等领域具有重要价值。然而,传统的图分析模型在应用时存在明显的局限性。一方面,其受限于图结构的稀疏性,计算效率低下,信息提取不足;另一方面,计算资源的巨大消耗也限制了其在大型图数据上的应用。考虑到图结构中复杂交互涉及多种类型对象,异质图作为一种图结构数据的典型描述方法被提出并广泛应用于复杂交互行为的建模,其将多种类型实体（如用户、文本和产品）作为节点、实体之间多种类型的关系（如朋友、转发和购买）作为边,映射出现实世界中的复杂交互模式。基于异质图的表示学习能够从复杂的图结构中学习节点的低维向量表示,为深入分析和挖掘复杂关联关系提供基础。但随着应用场景的扩展和数据规模的不断增长,当前的图表示学习方法面临着新的挑战和需求。首先,在处理动态变化的复杂交互数据方面,现有方法大多聚焦于静态同质图,难以充分保持图上的动态特征和异质语义,在捕捉邻域演化特征方面存在局限性。其次,在处理包含多样化异质交互关系的图数据方面,图中节点数量庞大且标签稀疏,不同类别节点的交互日益频繁,不满足传统的同类相连的同质性假设,限制了异质图表示学习方法在无监督学习场景下对异配图的泛化能力。第三,在欺诈检测的应用场景中,欺诈用户行为具有伪装性,其往往会伪装自身行为使其与正常用户的行为模式相似,使得现有的图表示学习方法面临生成的节点表示向量混杂的问题。第四,在跨机构协作的应用场景中,跨机构之间的交互行为需要保证数据的安全,而异质图表示学习集中式训练方式存在数据泄露的风险,同时直接将联邦学习方法应用于异质图表示学习则面临数据异构分布导致全局模型聚合效果不佳的问题。针对上述问题,本文在节点交互动态性、节点标签稀疏性及交互异配性、欺诈检测应用和跨机构协作应用四个方面进行了深入研究,具体如下: （1）动态异质图表示学习。针对动态异质图表示学习邻域结构建模不足的问题,提出一种基于邻居增强的动态异质图表示学习方法（Neighbor-enhanced Dynamic Heterogeneous Graph Representation Learning,Nei Dy HGL）,旨在同时编码节点属性、邻居交互信息和图结构演化特征。该方法通过节点自注意力和边自注意力机制编码异质图中的共同邻居和邻居交互信息,同时设计了卷积操作细粒度刻画不同时间片的节点表示向量,并引入时序注意力机制捕捉节点在不同时间的重要性,进一步增强了模型对时间演化特征的学习能力。在多个公开数据集上的对比实验结果表明,Nei Dy HGL有效提高了动态链接预测的准确性,为动态异质图分析提供了新的解决方案。（2）无监督异配异质图表示学习。针对无监督异质图表示学习对异配图泛化不足的问题,提出一种基于双自编码器的无监督异配异质图表示学习方法（Unsu-pervised Heterophilic Heterogeneous Graph Representation Learning,Un H2GL）。该方法在高阶邻居自编码器中设计了一种高阶邻居层次注意力机制,捕捉节点与其k阶邻居之间的重要性以及不同元路径间的语义重要性。在解码器中,通过反转编码过程来重建高阶结构。同时,设计了节点子图结构自编码器,将节点子图结构特征进行编码和解码,使距离较远但具有相同子图结构特征的节点表示向量相似。该方法不仅适用于同配异质图也适用于异配异质图,可在不依赖数据标注的情况下对数据集进行直推学习和归纳学习。在多个公开数据集上的对比实验结果表明,Un H2GL实现了对异配异质图有效的节点表示学习,并在无监督学习场景下有效提高了节点分类精度。（3）面向欺诈检测的异质图表示学习。针对欺诈检测中伪装节点混淆表示的问题,提出一种面向欺诈检测的异质图指针网络表示学习方法（Heterogeneous Graph Pointer Network,HGPN）。HGPN利用指针网络进行节点过滤以选择与目标节点最相关的邻居,并提出了基于节点嵌入的欺诈节点生成方法学习欺诈节点特征,设计了一种双分类器联合训练方法降低对欺诈节点的预测偏差。在两个公开欺诈检测数据集上的对比实验结果表明,HGPN在欺诈检测任务中可以有效识别欺诈节点,提高了欺诈节点识别的准确率。（4）面向跨机构协作的异质图表示学习。针对跨机构协作中异质图表示学习集中式训练方式存在数据泄露风险的问题,提出一种面向跨机构协作的联邦异质图表示学习方法（Federated Heterogeneous Graph Learning,Fed HGL）,旨在实现数据存储在本地的同时降低数据类别不平

关键词：异质图表示学习动态异质图无监督异配图欺诈检测联邦图学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：