-
题名异质信息网络中基于解耦图神经网络的社区搜索
- 1
-
-
作者
陈伟
周丽华
王亚峰
王丽珍
陈红梅
-
机构
云南大学信息学院
-
出处
《计算机科学》
CSCD
北大核心
2024年第3期90-101,共12页
-
基金
国家自然科学基金(62062066,61762090,61966036,62276227)
云南省基础研究计划重点项目(202201AS070015)
+2 种基金
云南省智能系统与计算重点实验室项目(202205AG070003)
云南省教育厅区块链与数据安全治理工程研究中心项目
云南省物联网技术与应用大学重点实验室项目。
-
文摘
在异质信息网络(HINs)中搜索包含给定查询节点的社区具有广泛的应用价值,如好友推荐、疫情监控等。现有HINs社区搜索方法大多基于预定义的子图模式对社区的拓扑结构施加一个严格的要求,忽略了节点间的属性相似性,导致结构关系弱而属性相似性高的社区难以定位,并且采用的全局搜索模式难以有效处理大规模的网络数据。为解决这些问题,首先设计解耦图神经网络和基于元路径的局部模块度,分别用于度量节点间的属性相似性和结构内聚性,并利用0/1背包问题优化属性和结构两种凝聚性度量指标,定义了最有价值的c大小社区搜索问题,进而提出了一种基于解耦图神经网络的价值最大化社区搜索模型,执行3个阶段的搜索过程。第一阶段,依据查询信息与元路径,构造候选子图,将搜索范围控制在查询节点的局部范围内,保证整个模型的搜索效率;第二阶段,利用解耦图神经网络,融合异质图信息和用户标签信息,计算节点间的属性相似度;第三阶段,根据社区定义以及凝聚性度量指标,设计贪心算法查找属性相似度高且结构凝聚的c大小社区。最后,在真实的同质和异质网络数据集上测试了搜索模型的性能,大量实验结果验证了模型的有效性和高效性。
-
关键词
异质信息网络
社区搜索
解耦图神经网络
元路径
局部模块度
-
Keywords
Heterogeneous information networks
Community search
Disentangled graph neural network
Meta-paths
Local mo-dularity
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
