计算机应用研究

作者：孙峰,杨观赐,AjithKumarV,张安思,

单位：1.浙江师范大学文科综合实验教学中心,浙江金华321004；2.贵州大学a.现代制造技术教育部重点实验室;b.机械工程学院,贵阳550025；3.人工智能学院,班加罗尔560002印度；

关键词：图卷积网络,自我监督学习策略,依赖大型数据集,层智能,多任务机制,边预测,

基金：国家自然科学基金资助项目(61863005,62163007)；贵州省科技计划资助项目(黔科合支撑[2019]2814,黔科合平台人才[2020]6007,[2020]4Y056,[2021]439)；贵州省高等学校集成攻关大平台建设资助项目(黔教合KY字[2020]005)；浙江师范大学实验技术开发资助项目(SJ202123)；浙江师范大学数学化改革资助项目([2021]05)；；

为了解决当前图卷积网络需要依赖大型数据集，从而导致时间和空间复杂度上升问题，提出了基于自我监督学习策略的层智能图卷积网络（RRLFS-L-GCN）。首先，通过在层智能图卷积网络（layer-wise graph convolutional network，L-GCN）中添加多任务机制以提高算法的泛化能力；然后，设计一种随机删除固定步长边（aandomly remove links with a fixed step，RRLFS）的自我监督学习策略，从而提出基于自我监督学习策略的层智能图卷积网络算法；最后，通过边预测验证RRLFS-L-GCN的性能。实验结果表明，该算法的识别率最高可达97.13%。对于Cora测试集，该算法所得识别准确率比未改进的层智能图卷积网络算法提高了6.73%。对于PubMed测试集，该算法所得识别准确率比未改进的层智能图卷积网络算法提高了8.13%。与图卷积网络相比，在Citeseer数据集上，识别准确率提高了18.43%。

来源：2022年第1期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第1期