Multiplex Network Unsupervised Representation With Adaptive Multi-View Tensor Graph Learning

Yongqiang Tang

doi:10.1109/tkde.2026.3717911

Multiplex Network Unsupervised Representation With Adaptive Multi-View Tensor Graph Learning

2026-08-14

0

PRE

AI

DOI：10.1109/tkde.2026.3717911

原文链接

原文求助

摘要

En 中文

多重网络的无监督表示学习因其能够有效建模节点间的多种关系类型而受到广泛关注。现有方法通常在原始图结构上学习表示，但忽视了先验图结构必然不完整的事实，这可能误导特征聚合过程。因此，改进图结构对多重网络的无监督表示至关重要。然而，多重网络中异构图结构优化仍较少被探索，并面临如何联合考虑多种关系类型以补充各关系缺失边的挑战。为解决这些问题，我们将每种关系类型视为一个视图，提出了一种多重网络自适应多视图图结构学习的无监督表示模型（MURA）。为改进图结构，我们开发了一个多视图低秩自表示张量学习模块，以优化异构图结构并有效探索全局社区属性。此外，采用局部邻域流形结构学习模块以捕捉关键局部连接。通过精炼的多重图，进一步提出相似性正则化项以增强多重节点表示。在三个下游任务上的综合实验证实，在五个数据集中，与当前最优方法相比，我们的MURA表现出更优的性能。

Keyword:

Graph representation learning

graph structure learning

multi-view learning

multiplex graph

Multiplex Network Unsupervised Representation With Adaptive Multi-View Tensor Graph Learning

摘要

期刊

机构

引用论文