面向多标签节点分类的相关感知图卷积网络
机器学习
2025-06-18 v3 社会与信息网络
摘要
多标签节点分类是图挖掘中一个重要但鲜有探索的领域，因为许多现实节点属于多个类别而非仅一个类别。虽然已有一些努力通过利用图卷积网络（GCN）来学习节点表示并建模嵌入空间中标签之间的相关性，但仍受到由多个标签导致的模糊特征和模糊拓扑结构的制约，这降低了图中传递信息的可信度，并忽略了图数据上的标签相关性。因此，减少模糊性并赋能GCN进行准确分类至关重要。然而，这在要求同时保留每个标签的独特性并充分利用标签间相关性方面仍然具有挑战性。为了解决这些问题，本文提出了一种名为关联感知图卷积网络（CorGCN）的模型，用于多标签节点分类。通过引入一种新颖的关联感知图分解模块，CorGCN能够学习包含每个标签丰富标签相关信息的图。随后，它采用关联增强图卷积来建模标签之间的关系，从而进一步强化分类过程。在五个数据集上的大量实验表明，我们提出的CorGCN具有有效性。
引用
@article{arxiv.2411.17350,
title = {Correlation-Aware Graph Convolutional Networks for Multi-Label Node Classification},
author = {Yuanchen Bei and Weizhi Chen and Hao Chen and Sheng Zhou and Carl Yang and Jiapei Fan and Longtao Huang and Jiajun Bu},
journal= {arXiv preprint arXiv:2411.17350},
year = {2025}
}
备注
12 pages, accepted by KDD2025