[yzhpdh]Adaptive Hypergraph Auto-Encoder for Relational Data Clustering

Title：Adaptive Hypergraph Auto-Encoder for Relational Data Clustering

introduction

图的embedded representation 和 clustering task 在关系型数据分析和挖掘方面发挥了很重要的作用，但是仅仅是成对的关系不足建模现实生活中的高阶关系。且如何适当地整合结构信息和属性信息是另一项重要的任务，但尚未得到系统的研究。因此这篇文章提出了自适应超图自动编码器（AHGAE）来学习低维空间中的节点embedding。

这篇文章的贡献在于：

1. 提出一个超图拉普拉斯平滑过滤器，通过融合节点特征与同一超边中邻接特征达到平滑节点特征的效果。
2. 提出了一个自适应超图自动编码器（AHGAE)，是一种专门用于超图聚类任务的嵌入式模型。
3. 构建了一个属性超图数据集DBLP-HG，并且在该数据集和其他一些基准图数据集上做实验，验证了模型的有效性。

related work

首先，图聚类任务分为两大类，分别是： structural graph clustering tasks 和 attributed graph clustering tasks。
首先是介绍structural graph clustering tasks； 谱系聚类方法直接将图的结构作为输入。
直接将图的结构作为输入，通过对图的切割，使切割后的不同子图之间的边的权重尽可能低，以达到聚类的目的。还有提出将节点的邻接矩阵分解成节点表征后利用k-means的方法获得聚类。还有Deepwalk通过在图中游走使用skipgram学习节点表征，通过在图上随机行走和最大化每个节点的邻居概率，然后获得聚类结果。
然后介绍attributed graph clustering tasks；同时具有图结构和节点特征的图被称为attributed graphs。该任务的研究重点是如何平衡图的结构信息和节点特征信息。最常见的pipeline是首先学习包含结构信息的节点embedding，然后实现常见的聚类方法，如K-means或spectral clustering来获得最后的结果。像常见的GAE、VGAE、AGC、AGE都属于这类工作，且融合了图卷积网络和自动编码器等。

method

首先是方法框架：
这张图左边部分的意思是文章确定了一个指标∆c(t) ，它代表未标记的聚类度量的变化值，这个图经过一次次迭代，直到∆c(t) >0的时候获得最终结果，它是用来选择最优顺序的。
右边部分，H代表关联矩阵，A代表邻接矩阵。

先给出方法中的定义：