摘要
由于当今大量数据可表示为图结构，因此对通用图神经网络模型的需求日益增长。近年来，图卷积神经网络（Graph Convolutional Networks, GCNs）成为一项富有成效的研究方向，受到广泛关注。研究表明，GCN在各类网络分析任务中均取得了显著性能提升，其中典型应用包括节点表示学习。学习低维节点表示已被证明能够有效提升多种下游任务的性能，涵盖链接预测、节点分类、社区检测以及可视化等。与此同时，带符号网络（即同时包含正向与负向边的图）随着社交媒体的普及而变得极为常见。然而，由于以往的GCN模型主要针对无符号网络（即仅包含正向边的图）设计，其在处理带符号网络时面临显著挑战，尤其是负向边带来的复杂性。这些挑战源于负向边与正向边在语义含义上的本质差异，以及二者之间形成的复杂交互关系。为此，本文提出一种专门且基于理论指导的方法，利用平衡理论（balance theory）来正确地在带符号GCN模型的各层之间聚合与传播信息。我们通过实证实验，将所提出的带符号GCN模型与当前最先进的基线方法在带符号网络中的节点表示学习任务上进行对比。具体而言，实验在四个真实世界数据集上开展，针对经典的链接符号预测问题进行评估，该问题常被用作带符号网络嵌入算法的基准测试任务。