融合信息改进图力网络研究.pdfVIP

1.问题描述及建模

在对用户进行分类时，我们需要对用户的关系进行表示学习，以获取每个用

户的特征。从社会信息的多源异构角度而言，对每个用户的特征提取，不应

该仅仅局限于用户本身，因为在这之外还存在着丰富的语义信息，即对用户的描

述。我们可以将这些描述的文本信息进行语义提取，并把它们融入表示学习模型

中，以更准确地实现用户分类。

此外，由于卷积神经网络(ConvolutionalNeuralNetwork,CNN)的迅速发展，

基于已有的嵌入式表示学习，研究人员已经提出了一种名为图神经网络(Graph

ConvolutionalNetwork,GNN)的新的表示学习方法，用来对图信息进行建模。图

神经网络能够将用户关系建模为一个知识图G=(V,E)，其中V为节点，代表每

个用户，E为边，代表用户之间的关系。

图注意力网络(GraphAttentionNetwork)是图神经网络的一种变体，能够更好

地处理有向图。然而，目前还没有针对融入文本信息进行表示学习的图注意力网

络研究，因此，本文提出了一种改进的图注意力网络S，对用户关系网络进

行表示学习，提高用户分类的准确度。

2.已有模型

图分析作为一种用于机器学习的独