-
题名路径掩码自编码器引导无监督属性图节点聚类
- 1
-
-
作者
丁新宇
孔兵
陈红梅
包崇明
周丽华
-
机构
云南大学信息学院
云南大学软件学院
-
出处
《计算机科学》
北大核心
2025年第1期160-169,共10页
-
基金
国家自然科学基金(62062066,61762090,61966036,62276227)
云南省基础科研项目(202201AS070015)
+2 种基金
云南省中青年学术和技术带头人后备人才项目(202205AC160033)
云南省智能系统与计算重点实验室(202205AG070003)
云南大学专业学位研究生实践创新项目(ZC-23234311)。
-
文摘
图聚类的目的在于发现网络的社区结构。针对目前聚类方法无法很好地获取网络深层潜在社区信息,且不能对特征进行合适的信息整合导致节点社区语义不清晰的问题,提出了一种路径掩码自编码器引导无监督属性图节点聚类模型(Path-Masked Autoencoder Guiding Unsupervised Attribute Graph Node Clustering, PAUGC)。该模型通过对网络进行随机路径掩码后使用自编码器来深度挖掘网络拓扑结构,从而获得良好的全局结构语义信息,利用规范性方法来对特征进行信息整合,使节点特征能够更好地表征特征的类别信息。此外,模型结合模块最大化来抓取整个图中的底层社区群落信息,目的在于更合理地将其融合到低维度节点特征中。最后通过自训练聚类来不断迭代优化更新聚类表示以获得最终的节点特征。通过在8个基准数据集上与11种经典方法进行大量实验对比,证明了PAUGC的有效性。
-
关键词
深度图聚类
无监督学习
特征信息整合
模块最大化
聚类自训练
-
Keywords
Deep graph clustering
Unsupervised learning
Feature integration
Module maximization
Self-training for clustering
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
