基于语义-结构注意力增强图卷积网络的节点分类
机器学习
2024-03-26 v1 计算与语言
社会与信息网络
摘要
图数据,亦称复杂网络数据,广泛存在于各个领域与应用中。已有图神经网络模型主要侧重于通过监督学习目标提取任务相关的结构特征,但未能充分捕获整图固有的语义与结构特征。本文提出语义-结构注意力增强图卷积网络(SSA-GCN),该网络不仅建模图结构,还提取泛化的无监督特征以提升顶点分类性能。SSA-GCN 的核心贡献体现在三个方面:其一,从知识图谱视角出发,通过无监督特征提取获取语义信息;其二,从复杂网络视角出发,通过无监督特征提取获取结构信息;其三,通过交叉注意力机制融合上述两类特征。利用这些特征,我们对图卷积网络进行增强,从而提升模型的泛化能力。在 Cora 和 CiteSeer 数据集上的实验表明,所提方法取得了性能提升。此外,该方法在隐私设置下同样表现出优异的准确率,使其成为图数据分析中一种稳健且有效的解决方案。
引用
@article{arxiv.2403.16033,
title = {Node Classification via Semantic-Structural Attention-Enhanced Graph Convolutional Networks},
author = {Hongyin Zhu},
journal= {arXiv preprint arXiv:2403.16033},
year = {2024}
}