讲座报名 | 基于层级超图匹配的图相似度学习网络

来源：AI TIME论道

  本文约642字，建议阅读2分钟
本文介绍了12月2日晚7:30新加坡国立大学博士后张震带来的分享：《基于层级超图匹配的图相似度学习网络》。

12月2日晚 7:30-8:30

AI TIME 特别邀请了新加坡国立大学博士后张震，给大家带来分享：《基于层级超图匹配的图相似度学习网络》

哔哩哔哩直播通道

★ 嘉宾简介 ★

张震：

新加坡国立大学博士后，2021年毕业于浙江大学计算机科学与技术学院，博士期间主要研究方向为数据挖掘、图神经网络与推荐系统，目前已在KDD、WWW、IJCAI、TKDE等国际顶级会议和期刊中发表多篇论文。

分享内容：

基于层级超图匹配的图相似度学习网络

报告简介：

图是建模实体与实体之间关系的常用数据结构。近年来，图数据挖掘引起了学术界和工业界广泛的关注，如分类、聚类等等。然而图相似度学习这一任务却未得到充分的研究，如何计算一对图结构数据之间的相似度？由于图结构数据的复杂、多样性，使得图相似度学习算法的设计充满了挑战性与特殊性。为此，本文基于图神经网络、图池化算子以及子图匹配等模块，设计了一种超图匹配框架来高效的进行图相似度推理。具体来说，本文提出的H2MN框架从超图的角度出发，将每条超边作为一个子图来进行匹配，捕获到了图上丰富的子结构相似性。为了降低匹配的时间复杂度，本文还设计了基于超边的池化算子来将大的超图转化为较小的超图。通过在多个公开数据集包括生物以及社交网络等类型图数据上进行验证，本文提出的方法在图回归以及分类任务上均取得了最佳的效果。

—— END ——