CatGCN：具有类别型节点特征的图卷积网络
机器学习
2022-03-10 v4 机器学习
摘要
近期关于图卷积网络（GCNs）的研究表明，初始节点表示（即首次图卷积前的节点表示）在很大程度上影响最终模型性能。然而，在学习节点的初始表示时，大多数现有工作线性组合节点特征的嵌入，未考虑特征（或特征嵌入）之间的交互。我们认为当节点特征为类别型时，例如在用户画像与推荐系统等诸多真实世界应用中，特征交互通常携带用于预测分析的重要信号。忽略它们将导致次优的初始节点表示，从而削弱后续图卷积的有效性。在本文中，我们提出一种名为 CatGCN 的新 GCN 模型，专为节点特征为类别型时的图学习而设计。具体而言，我们将两种显式交互建模方式集成到初始节点表示的学习中，即每对节点特征上的局部交互建模与人工特征图上的全局交互建模。然后我们通过基于邻域聚合的图卷积来精炼增强的初始节点表示。我们以端到端方式训练 CatGCN，并在半监督节点分类上展示它。来自腾讯与阿里巴巴数据集的用户画像三项任务（用户年龄、城市与购买等级预测）上的大量实验验证了 CatGCN 的有效性，尤其是图卷积前执行特征交互建模的积极作用。
引用
@article{arxiv.2009.05303,
title = {CatGCN: Graph Convolutional Networks with Categorical Node Features},
author = {Weijian Chen and Fuli Feng and Qifan Wang and Xiangnan He and Chonggang Song and Guohui Ling and Yongdong Zhang},
journal= {arXiv preprint arXiv:2009.05303},
year = {2022}
}
备注
Accepted by TKDE as a regular paper