自监督对比的属性图联合表示聚类

来源：计算机工程与应用杂志2024年第16期北京时间：

作者：王静红, 王慧

单位：1.河北师范大学 计算机与网络空间安全学院，石家庄 050024 ；2.河北省网络与信息安全重点实验室，石家庄 050024；3.供应链大数据分析与数据安全河北省工程研究中心，石家庄 050024

摘要：现实世界中越来越多的复杂数据被表示为具有属性节点的图，因此属性图聚类是图挖掘中的一个重要问题。图神经网络在图结构数据的编码表示方面取得较好性能，但基于卷积操作或者注意力机制的图神经网络方法存在节点噪声、特征过度平滑、网络异质性、计算代价高昂等问题。基于深度学习方法如自编码器能够有效地提取节点属性表示，但不能包含丰富结构信息。因此提出了一种基于自监督训练和对比学习的图联合表示聚类方法（self-supervised contrastive graph joint representation clustering，SCRC）。使用自编码器预训练学习节点的属性表示，通过在图结构信息上增加对比损失信息，使用影响对比损失融合更加丰富的结构信息，联合图结构信息和属性表示，基于神经网络自监督训练机制迭代优化完成聚类任务。通过设计简单的线性模型，避免使用卷积和注意力机制，有效整合结构信息，使得运行速度更快。在广泛使用的引文网络数据上进行实验，对参数敏感性进行分析，验证了影响对比损失和自监督联合聚类的有效性。实验结果表明，所提出的方法取得了显著的性能提升，并且对节点噪声、特征过度平滑和网络异质性更具有鲁棒性。

关键词：属性图聚类,自监督训练,对比学习,自编码器,联合表示学习