← 研踪 PaperTrail软件学报:jos:7722 · 记录 #1
SMDGCL: 基于样本语义匹配的解耦图对比学习方法
来源日期 2026-09-18
来源记录日期 2026-09-18
雷达观测 2026-11-05 00:17
摘要
图对比学习(graph contrastive learning, GCL)近年来在社交网络、推荐系统和生物信息学等领域中受到广泛关注, 其通过构建正负样本对引导模型学习, 有效缓解了对大量标注数据的依赖. 然而, 图数据的复杂性导致现有GCL方法在实际应用中面临语义漂移问题, 即在增强过程中由于随机扰动或无意义修改使节点或图的语义发生偏移, 从而引发正负样本定义不准确. 此外, 传统图编码器未能有效区分不同邻居之间的语义关系, 进一步放大了语义混淆. 为了解决这一问题, 提出一种基于样本语义匹配的解耦图对比学习(disentangled graph contrastive learning based on semantic matching, SMDGCL)方法. 该方法引入解耦图卷积网络, 通过分离不同的潜在语义因素来优化节点嵌入, 提高了图对比学习在复杂网络环境中的鲁棒性和准确性. 在6个基准数据集上的实验验证了该方法在缓解语义漂移和提升对比学习性能方面的有效性.
论文发现出处
这些页面提供论文线索，不代表同行评审或质量认证。
发表信息与关联版本
软件学报 ↗2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007722
观测到的版本
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
记录 #1 · 2026-09-18 · 最新观测版本
SMDGCL: 基于样本语义匹配的解耦图对比学习方法
图对比学习(graph contrastive learning, GCL)近年来在社交网络、推荐系统和生物信息学等领域中受到广泛关注, 其通过构建正负样本对引导模型学习, 有效缓解了对大量标注数据的依赖. 然而, 图数据的复杂性导致现有GCL方法在实际应用中面临语义漂移问题, 即在增强过程中由于随机扰动或无意义修改使节点或图的语义发生偏移, 从而引发正负样本定义不准确. 此外, 传统图编码器未能有效区分不同邻居之间的语义关系, 进一步放大了语义混淆. 为了解决这一问题, 提出一种基于样本语义匹配的解耦图对比学习(disentangled graph contrastive learning based on semantic matching, SMDGCL)方法. 该方法引入解耦图卷积网络, 通过分离不同的潜在语义因素来优化节点嵌入, 提高了图对比学习在复杂网络环境中的鲁棒性和准确性. 在6个基准数据集上的实验验证了该方法在缓解语义漂移和提升对比学习性能方面的有效性.
查看此版本解读 →查看此版本原文 ↗