基于混合图卷积网络模型的节点分类方法

作     者：范敏 范晓波 胥小波 康英来 FAN Min;FAN Xiao-bo;XU Xiao-bo;KANG Ying-lai

作者机构：中国电子科技网络信息安全有限公司四川成都610000 

出 版 物：《通信技术》 (Communications Technology)

年 卷 期：2020年第53卷第12期

页      面：2973-2982页

学科分类：08[工学] 0835[工学-软件工程] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：四川省重大科技专项课题“空间信息网络综合安全态势平台”(No.2018GZDZX0006) 

主　　题：图表征学习 深度学习 图卷积网络 图注意力网络 

摘      要：随着互联网和大数据的发展,近年来图表征学习(Graph Representation Learning)受到了广泛关注。图表征学习将图中每一个节点都映射到一个低维向量空间,并且在此空间内保持原有图的结构信息,常常应用于节点分类、链路预测以及社群发现等任务。图卷积网络(Graph Convolutional Networks,GCN)和图注意力网络(Graph Attention Networks,GAT)是基于神经网络的图表征学习方法。GCN模型假设图中所有的边都具有相同的权重,所以认为图中节点间互联的强弱关系是一致的,这是不合理的。虽然GAT模型引入了多个注意力矩阵来学习图中相邻节点之间的重要性,但增加了计算复杂性。因此,提出了一种基于混合图卷积网络模型(GCN Mixture Model,GCN-MM)的方法。该方法充分利用GCN模型与GAT模型各自的优点,结合了图中节点的相邻相似性、结构相似性以及特征多样性。在公共数据集CORA、CITESEER、PUBMED的半监督任务中,它相比GAT模型有效减少了模型的可调整参数数量和训练耗时,同时不影响精度。在CORA和PUBMED数据集的监督任务中,它进一步提升了模型的精度。