在社交媒体飞速发展、复杂网络激增的时代，各行各业的交互数据越来越多，比如推荐系统中的用户-商品交互网络、学术领域中的论文引文网络等。交互可以看作是发生在多个对象之间的动作。因此，研究人员通常会将对象及其中的成对关系建模为图里的节点和边 。

本文介绍一篇在此场景下，基于注意力超图网络的交互协同聚类的文章。

论文题目：Co-clustering Interactions via Attentive Hypergraph Neural Network

论文链接：http://shichuan.org/doc/137.pdf

代码链接：https://github.com/ytc272098215/CIAH

在本节中，我们为完整交互提出了一种新颖的基于超图的协同聚类方法。如上所示，我们首先构建一个超图来对完整交互进行建模，其中每个完整交互都表示为连接所有相关对象的超边。然后我们设计了一个注意力超图神经网络来显式地学习完整交互（超边）的表示，同时我们通过注意力机制来选择相关的关键属性以作为聚类结果的解释。此外，我们还提出了一种基于显著性的一致性，即通过显著性方法使属性选择的分布与属性的真实重要性保持一致，我们将引入积分梯度方法来知道注意力。最后，我们提出了一种新颖的协同聚类方法，对完整交互和相应的属性选择分布进行协同聚类，以实现基于聚类的一致性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除