用于节点分类与推荐的邻居增强图卷积网络
机器学习
2022-03-31 v1
摘要
近年来提出的图卷积网络(GCNs)在节点分类和推荐等多种图相关任务上取得了显著优越的性能。然而，当前关于GCN模型的研究通常递归地聚合来自所有邻居或随机采样邻居子集的信息，而未明确辨识所聚合的邻居在图卷积过程中是否提供了有用信息。本文从理论上分析了邻居质量对GCN模型性能的影响，并提出了邻居增强图卷积网络(NEGCN)框架以提升现有GCN模型的性能。我们的贡献有三方面。首先，我们首次在一个通用理论框架中提出了节点分类与推荐任务中邻居质量的概念。具体地，对于节点分类，我们提出三个命题从理论上分析邻居质量如何影响GCN模型的节点分类性能。其次，基于所提三个命题，我们引入了图精炼过程，包括专门设计的邻居评估方法，以提升邻居质量，从而改善节点分类与推荐任务。第三，我们在多个基准数据集上进行了广泛的节点分类与推荐实验。实验结果验证了所提NEGCN框架能显著提升多种典型GCN模型在节点分类与推荐任务上的性能。
引用
@article{arxiv.2203.16097,
title = {Neighbor Enhanced Graph Convolutional Networks for Node Classification and Recommendation},
author = {Hao Chen and Zhong Huang and Yue Xu and Zengde Deng and Feiran Huang and Peng He and Zhoujun Li},
journal= {arXiv preprint arXiv:2203.16097},
year = {2022}
}
备注
29 pages, 3 figures, 7 tables. Accepted to Knowledge-Based Systems