6、图嵌入技术的实证分析与上下文感知网络嵌入模型

图嵌入技术的实证分析与上下文感知网络嵌入模型

在图嵌入领域，有多种模型和方法用于学习节点的低维表示，以捕捉图的结构和节点的特征信息。下面将详细介绍相关模型的实证分析以及一种新颖的上下文感知网络嵌入模型。

1. 实证分析

在实证分析中，涉及到不同模型的对比和参数的选择等内容。

1.1 GAE与LSCRA对比

为了验证假设H1，评估滤波器和权重矩阵纠缠的影响，进行了GAE和LSCRA的对比实验。
- 模型结构差异 ：GAE在每一层将滤波器和权重矩阵结合，而LSCRA将权重矩阵移到滤波器之后。具体来说，GAE有多个GCN层，每层包含一个64维的线性层、一个ReLU激活层和一个图卷积滤波器；LSCRA堆叠多个图卷积滤波器，之后是一个1层64维的感知机。两个模型的嵌入层都是16维，其余参数设置相同。
- 实验结果 ：通过在四个数据集上不同滤波器层数的节点聚类NMI得分实验，结果显示LS+RA在大多数情况下以较少的参数优于GAE。而且，随着滤波器层数的增加，GAE的性能显著下降，而LS+RA相对稳定。这可能是因为堆叠多个图卷积层使得训练所有权重矩阵变得困难，并且深度网络会影响训练效率。

以下是实验结果的表格：
| 数据集 | GAE表现 | LS+RA表现 |
| ---- | ---- | ---- |
| Cora | 随着层数增加性能下降 | 相对稳定且多数情况优于GAE |
| Wiki | 随着层数增加性能下降 | 相对稳定且多数情况优于GAE |
| Pubmed | 随着层数增加性能下降 |