保持节点相似性的图卷积网络
机器学习
2021-03-09 v2 人工智能
摘要
图神经网络（GNN）凭借其强大的图表示学习能力，在各种现实应用中取得了巨大成功。GNN 通过聚合和转换节点邻域内的信息来探索图结构和节点特征。然而，通过理论和实证分析，我们揭示了 GNN 的聚合过程往往会破坏原始特征空间中的节点相似性。在许多场景中，节点相似性起着至关重要的作用。因此，这催生了所提出的框架 SimP-GCN，它能够在利用图结构的同时有效且高效地保持节点相似性。具体而言，为平衡来自图结构和节点特征的信息，我们提出了一种特征相似性保持聚合，自适应地整合图结构和节点特征。此外，我们采用自监督学习来显式捕捉节点间复杂的特征相似与不相似关系。我们在七个基准数据集上验证了 SimP-GCN 的有效性，包括三个同配图和四个异配图。结果表明 SimP-GCN 优于代表性基线。进一步探查显示了所提框架的各种优势。SimP-GCN 的实现可在 \url{https://github.com/ChandlerBang/SimP-GCN} 获取。
引用
@article{arxiv.2011.09643,
title = {Node Similarity Preserving Graph Convolutional Networks},
author = {Wei Jin and Tyler Derr and Yiqi Wang and Yao Ma and Zitao Liu and Jiliang Tang},
journal= {arXiv preprint arXiv:2011.09643},
year = {2021}
}
备注
WSDM 2021