摘要：图卷积自编码器是一种强大的图表示学习方法，在链路预测方面具有良好的性能。然而，现有的方法通常依赖于图卷积网络对邻接矩阵和属性矩阵进行编码，这种策略忽略了二阶信息等高阶特征。为了解决这个问题，本文提出了一种基于二阶图卷积自编码器的SeVGAE模型。首先，利用图卷积网络和二阶图卷积网生成变分自编码器的均值和方差。然后，学习嵌入来表示原始图的混合概率分布。最后，通过内积译码器恢复拓扑。SeVGAE在链路预测中的性能优于基线。与Citeser数据集上的原始VGAE相比，AUC和AP分别提高了3.26%和2.56%。结果表明，在低维嵌入中，二阶信息可以保留更丰富的图形信息。此外，所提出的方法在属性不足和拓扑不准确方面具有明显的优势。在边缘和属性都丢失高达40%的极端情况下，与VGAE相比，SeVGAE仍将AUC和AP分别提高4.79%和3.47%。

关键词： 图形表示学习， 二阶图卷积网络， 链路预测

摘要：图卷积自编码器是一类高效的图表示学习模型，在链路预测等任务中具有出色性能。然而现有模型大多依赖图卷积网络对邻接矩阵和属性矩阵进行编码，未充分利用二阶信息等高阶结构特征。针对上述问题，提出了基于二阶信息的图卷积自编码器模型SeVGAE公司首先使用图卷积和二阶图卷积生成变分自编码器的均值和方差，然后学习嵌入向量表示原始图的混合概率分布，最后使用内积解码器恢复拓扑结构。在链接预测任务中，SeGVAE公司表现优于基线模型，Citeser AUC和AP VGAE分别为3.26%和2.56%实验结果表明，二阶信息的引入能够在低维嵌入中保留更丰富的图信息，提升模型性能。模型在处理属性信息不足、拓扑信息不准确的图数据时具有较为明显的优势，在边缘和属性均缺失40%的极端情况下，SeVGAE AUC和AP VGAE分别为4.79%和3.47%

关键词: 图表示学习, 二阶图卷积网络, 链接预测