单页网站快速收录网站开发和推广的不同

视频链接：《图神经网络》
Signed Graph Convolutional Network

---

之前介绍的GNN模型主要集中在无符号的网络（或仅由正链接组成的图）上，符号
图带来的挑战，主要集中在于 否定链接，与正链接相比，它不仅具有不同的语义，
而且其原理本质上是不同的， 并且它们与正链接形成了复杂的关系。

我们面临的主要挑战是：

1. 如何处理负链接，他们的属性和正链接是完全不同的
2. 如何将正负链接组合一个模型，以更好的学习节点的表征

为了解决以上问题，作者提出了SGCN，主要贡献

• 提出一个基于平衡理论构建的签名图卷积网络(SGCN) ，以在聚合过程中正确地整合负面链接;
• 根据签署的网络社会理论为我们的SGCN构建目标函数，以轻松学习网络中每个节点的有效低维表示;
• 在四个真实世界的签名网络上进行实验，以全面证明我们提议的SGCN框架的有效性。

一、定义

1.1 Graph defination

1.2 正向边和负向边的聚合

平衡理论 就是“我朋友的朋友是我的朋友”，“我朋友的敌人是我的敌人”，“我敌人的敌人是朋友”

• 平衡路径表示为包含偶数个负连接的路径；
• 不平衡路径也表示为包含奇数个负连接的路径

平衡三角形和不平衡三角形

节点的平衡邻居和不平衡邻居
根据两个节点如果由平衡路径链接，则是平衡邻居，否则是不平衡邻居。且k-阶邻居是可以通过迭代方式获得。

二、model

2.1 GCN的信息聚合方式

• 第一层的聚合方式
• l>1层的聚合方式
  
• 案例：似乎每层的正向邻居集合和负向邻居集合一样？？？
  

2.2 SGCN的嵌入生成

2.3 损失函数

2.4 效果

在本节中，我们将通过实验评估提议的符号图卷积网络(SGCN) 在学习节点表示中的有效性。我们试图回答以下问题: (1) SGCN是否能够学习有意义的低维表示? (2) 在聚合过程中引入平衡理论以及更长的路径信息是否可以提高学习节点嵌入的性能?
几个实验的结果–

2.5 超参数效果

代码解读

三、