28、基于词图表示的图嵌入方法

基于词图表示的图嵌入方法

1. 引言

图嵌入是将图数据转换为向量表示的过程，这有助于在向量空间中对图进行分析和处理。本文提出了一种基于词图表示的图嵌入方法，旨在解决图分类问题。该方法主要包括两个步骤：首先将图进行泛化，得到词图表示；然后将词图表示转换为向量。

2. 词图表示

• 图的定义 ：一个带属性的图 $g$ 是一个四元组 $g = (V, E, μ, ν)$，其中 $V$ 是有限节点集，$E ⊆ V × V$ 是边集，$μ : V → L$ 和 $ν : E → L′$ 分别是节点和边的标记函数。本文主要考虑无向图，且边无标记，所有节点标记性质相同。
• 泛化过程 ：将一组图泛化为具有相同节点数和相同节点标记的新图集合，分两步进行：
  • 节点代表选择 ：
    • 给定一组图 $G = {g_1, g_2, …, g_n}$，先考虑所有节点属性 $L = {L_i | i = 1, …, n}$，假设这些标记集性质相同。
    • 从 $L$ 中选择有限数量的代表，类似于文档和图像分类中的词袋技术，通过聚类技术选择代表，称为词。例如，若图的属性属于 $R^n$，可使用 k-Means 算法；其他情况则需进行语义聚类。
    • 假设已从图族 $G$ 的属性集 $L$ 中选择了词汇表 $V = {w_i | i = 1, …, N}$，将图 $g$ 中的每个节点 $u$ 分配给 $V$ 中最接近或最相似的词 $w$，记为 $λ :