TANGNN：基于 Top-m 注意力机制的简洁、可扩展且高效的图神经网络
机器学习
2025-02-04 v1 人工智能
摘要
在深度学习领域，图神经网络（GNNs）和图转换器模型因其卓越的性能和灵活的架构设计，已成为处理结构化数据，尤其是图数据的领导技术。传统 GNNs 常面临无法有效捕获远距离顶点的信息的挑战。相比之下，图转换器模型在处理长距离节点关系方面尤为出色。尽管具有上述优势，图转换器模型在扩展到大型图数据集时仍遇到计算和存储效率问题。为此，我们提出了一种创新的图神经网络（GNN）架构，集成了 Top-m 注意力机制聚合组件和邻域聚合组件，有效提升了模型在每一层从本地和远程邻域收集相关信息的能力。这一方法不仅提高了计算效率，也丰富了节点特征，促进了对复杂图结构的深入分析。此外，为评估我们提出模型的有效性，我们将其应用于引用情感预测，这是 GNN 领域此前未探索的任务。相应地，我们构建了一个专门的引用网络，ArXivNet。在该数据集中，我们特别标注了引用的情感极性（积极、中性、消极），以实现深入的情感分析。我们的做法在包括顶点分类、链路预测、情感预测、图回归和可视化在内的各种任务中均表现优异。实验结果在多个数据集上表明，我们的方法在有效性方面优于现有方法。
引用
@article{arxiv.2411.15458,
title = {TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning},
author = {Jiawei E and Yinglong Zhang and Xuewen Xia and Xing Xu},
journal= {arXiv preprint arXiv:2411.15458},
year = {2025}
}
备注
The code and ArXivNet dataset are available at https://github.com/ejwww/TANGNN