本文主要是介绍Signed Graph Convolutional Network论文阅读笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
符号图存在正负边。
在SGCN算法中,利用平衡理论在各个层之间聚合和传播信息。
设计SGCN的难点在于:
- 因为负向边与正向边本质上是不同的,如何正确地处理负向边?
- 如何在同一个模型里边联合正向边和负向边来学习节点表征。
论文的主要贡献在于:
3. 基于平衡理论设计了SGCN算法。
4. 构建了SGCN的目标函数来高效地学习低维表征。
在论文的邻接矩阵中以 1 1 1表示正向边, − 1 -1 −1表示负向边, 0 0 0表示无边。
在符号图中1和-1的语义是不同的,因此不能把所有的用户归为一类。
Q:什么是平衡理论?
A:朋友的朋友是朋友,朋友的敌人是敌人。
用户在长度 l l l时达到的节点集记做 U i ( l ) U_i(l) Ui(l)(平衡节点), B i ( l ) B_i(l) Bi(l)(不平衡节点)。两个集合的递归定义为:
B i ( l ) = { { u i ∣ u i ∈ N i + } 如 果 l = 1 { u j ∣ u k ∈ B i ( l − 1 ) ∧ u j ∈ N k + } ∪ { u j ∣ u k ∈ U i ( l − 1 ) ∧ u j ∈ N k − } 如 果 l > 1 B_i(l)=\begin{cases}\{\mathcal{u}_i|\mathcal{u}_i\in \mathcal{N}_i^+\}&如果l=1\\\{\mathcal{u}_j|\mathcal{u}_k\in B_i(l - 1)\land \mathcal{u}_j\in \mathcal{N}_k^+\}\\\qquad\cup \{\mathcal{u}_j|\mathcal{u}_k\in U_i(l - 1)\land \mathcal{u}_j\in \mathcal{N}_k^-\}&如果l\gt 1\end{cases} Bi(l)=⎩⎪⎨⎪⎧{ui∣ui∈Ni+}{uj∣uk∈Bi(l−1)∧uj∈Nk+}∪{uj∣uk∈Ui(l−1)∧uj∈Nk−}如果l=1如果l>1
U i ( l ) = { { u i ∣ u i ∈ N i − } 如 果 l = 1 { u j ∣ u k ∈ U i ( l − 1 ) ∧ u j ∈ N k + } ∪ { u j ∣ u k ∈ B i ( l − 1 ) ∧ u j ∈ N k − } 如 果 l > 1 U_i(l)=\begin{cases}\{\mathcal{u}_i|\mathcal{u}_i\in \mathcal{N}_i^-\}&如果l=1\\\{\mathcal{u}_j|\mathcal{u}_k\in U_i(l - 1)\land \mathcal{u}_j\in \mathcal{N}_k^+\}\\\qquad\cup \{\mathcal{u}_j|\mathcal{u}_k\in B_i(l - 1)\land \mathcal{u}_j\in \mathcal{N}_k^-\}&如果l\gt 1\end{cases} Ui(l)=⎩⎪⎨⎪⎧{ui∣ui∈Ni−}{uj∣uk∈Ui(l−1)∧uj∈Nk+}∪{uj∣uk∈Bi(l−1)∧uj∈Nk−}如果l=1如果l>1
这篇关于Signed Graph Convolutional Network论文阅读笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!