计算机应用研究

作者：朱玄烨,孔兵,陈红梅,包崇明,周丽华,

单位：云南大学信息学院,昆明650504；

关键词：图表示学习,属性图聚类,对比学习,困难样本挖掘,

基金：国家自然科学基金资助项目(62062066,61762090,61966036,62276227)；2022年云南省基础研究计划重点项目(202201AS070015)；云南省中青年学术和技术带头人后备人才资助项目(202205AC160033)；云南省智能系统与计算重点实验室资助项目(202205AG070003)；；

针对困难样本挖掘的图聚类算法是最近的研究热点，目前算法存在的主要问题有：对比方法和样本对加权策略缺少良好的融合机制；采样正样本时忽略了视图内部的“假阴性”样本；忽视图级信息对聚类的帮助。针对上述问题，提出困难样本采样联合对比增强的图聚类算法。首先使用自编码器学习嵌入，根据计算的伪标签、相似度、置信度信息为表示学习设计一种自加权对比损失，统一不同视图下节点对比和困难样本对加权策略。通过调整不同置信区域样本对的权重，损失函数驱动模型关注不同类型的困难样本以学习有区分性的特征，提高簇内表示的一致性和簇间表示的差异性，增强对样本的判别能力。其次，图级表示经聚类网络投影，通过聚类对比损失最大化不同视图下聚类的表示一致性。最后联合两种对比损失，利用自监督训练机制进行迭代优化，完成聚类任务。该算法在5个真实数据集上与9个基准聚类算法对比，在4个权威指标上达到最优，聚类性能出色。消融实验表明两个对比模块的有效性和可迁移性。

来源：2024年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第6期