近日，研究组在符号图表示学习方面的研究成果“Signed graph embedding via multi-order neighborhood feature fusion and contrastive learning”正式发表在CCF B类、中科院一区期刊《Neural Networks》。该工作提出了一种新的符号图嵌入方法MOSGCN。首先，MOSGCN基于结构平衡理论设计了一种多阶邻域特征融合策略，使其能够自适应地捕获局部和全局结构特征，以获得更具信息量的节点表示。其次，MOSGCN通过使用符号图对比学习框架进行训练，进一步学习到更具判别性和鲁棒性的节点表示。通过使用链接符号预测和社区检测作为下游任务，并在四个基准数据集上进行大量对比分析实验，结果证明了MOSGCN的有效性及良好的泛化能力。

MOSGCN框架设计

附：

论文引用信息：Chaobo He, Hao Cheng, Jiaqi Yang, Yong Tang, Quanlong Guan. Signed graph embedding via multi-order neighborhood feature fusion and contrastive learning. Neural Networks, 2025, 182, 106897

PDF下载地址：https://www.sciencedirect.com/science/article/pii/S0893608024008268