GAP: Generalizable Approximate Graph Partitioning Framework模型

最新推荐文章于 2025-03-19 09:04:53 发布

原创

最新推荐文章于 2025-03-19 09:04:53 发布 · 1.9k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #人工智能

GAP模型是一种用于图分割的框架，它结合了图嵌入模块（如GCN和GraphSAGE）与图分割模块。图嵌入模块利用图卷积网络和采样聚合策略提取节点特征，而图分割模块则通过全连接层和Softmax预测节点所属子图。模型的目标是实现割边数的负载均衡和归一化割，以优化子图划分效果。

前言

最近在调研知识图谱分割算法，看到了这篇论文GAP: Generalizable Approximate Graph Partitioning Framework，直接翻译就是可推广的近似图划分框架，按照我的理解，意思大概就是说，模型是以图节点的近似程度为基础来划分子图，并且模型具有一定的泛化能力。

GAP模型

GAP模型主要包含图嵌入模块（Graph Embedding Module）和图分割模块（Graph Partitioning Module）：

图嵌入模块：使用GCN（Graph embedder）提取特征和GraphSAGE（Node embeddings）生成高维图节点表示；
图分割模块：使用全连接层和Softmax；

图嵌入模块

图卷积神经网络GCN

论文：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
GAP模型使用GCN来提取特征，假设图 $G$ 有 $N$ 个顶点，每个顶点都有自己的特征，假设顶点的特征组成 $N \times D$ 维的矩阵 $X$ ，顶点之间的关系组成 $N \times N$ 维的邻接矩阵 $A$ ，则GCN神经网络层与层之间正向传播可以表示为：
$H^{l+1}=\sigma(\hat{A}H^lW^l)$
其中， $\hat{A}=\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}$ ， $\tilde{A}=A+I_n$ ， $I_n$ 是单位矩阵， $\tilde{D}$ 是 $\tilde{A}$ 的度矩阵， $\tilde{D}_{ii}=\sum_j\tilde{A}_{ij}$

最低0.47元/天解锁文章