桥接计算社会科学与深度学习：文化传播启发的图神经网络
机器学习
2026-03-05 v2 人工智能
摘要
图神经网络（GNNs）在引文网络的文档分类、流行病预测、病毒式营销、社交网络中的用户推荐以及网络监控等应用中已变得至关重要。然而，其部署面临三个关键挑战：深层架构中的特征过平滑、对异构关系处理不佳以及整体式特征聚合。为解决这些问题，我们引入了 AxelGNN，一种基于 Axelrod 文化传播模型的新型架构，包含三项关键创新：（1）相似性门控交互，根据特征相似性自适应地促进趋同或发散；（2）分段特征复制，能够实现语义特征组的细粒度聚合，而非整体式向量聚合；（3）全局极化，维持多个不同的表示簇以防止过平滑。该模型从经验上证明了在单一架构内处理同配和异配图的能力，无需基于图特征进行专门的模型选择。我们的实验表明，AxelGNN 在节点分类和影响力估计中取得了与现有方法相当或更优的性能，同时保持了计算效率。
引用
@article{arxiv.2509.19084,
title = {Bridging Computational Social Science and Deep Learning: Cultural Dissemination-Inspired Graph Neural Networks},
author = {Asela Hevapathige},
journal= {arXiv preprint arXiv:2509.19084},
year = {2026}
}