GraphHop:一种用于节点分类的增强型标签传播方法
机器学习
2021-01-08 v1
摘要
本文提出了一种在图结构数据上可扩展的半监督节点分类方法,称为 GraphHop。该图包含所有节点的属性但仅有少量节点的标签。经典的标签传播(label propagation, LP)方法与新兴的图卷积网络(graph convolutional network, GCN)是此问题的两种流行半监督解决方案。LP 方法在联合建模节点属性与标签方面效果不佳,或在大规模图上面临缓慢的收敛速率。GraphHop 正是针对其缺点而提出。借助恰当的初始标签向量嵌入,GraphHop 的每次迭代包含两步:1) 标签聚合;2) 标签更新。在步骤 1 中,每个节点聚合其邻居在前一迭代中获得的标签向量。在步骤 2 中,基于节点自身的标签及步骤 1 获得的聚合标签信息,为每个节点预测一个新的标签向量。该迭代过程利用了邻域信息,使 GraphHop 在极小标签率设定下表现良好,并可很好地扩展至非常大的图。实验结果表明,在各种规模的图上,GraphHop 在广泛任务(例如引文网络、社交图与商品消费图上的多标签与多分类分类)上均优于当前最优(state-of-the-art)图学习方法。我们的代码已在 GitHub 公开可用(https://github.com/TianXieUSC/GraphHop)。
引用
@article{arxiv.2101.02326,
title = {GraphHop: An Enhanced Label Propagation Method for Node Classification},
author = {Tian Xie and Bin Wang and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2101.02326},
year = {2021}
}