WGCN：具有加权结构特征的图卷积网络
机器学习
2021-07-22 v3 人工智能
摘要
图结构信息（如拓扑或连通性）为图卷积网络（GCNs）学习节点表示提供了有价值的指导。现有的捕获节点结构信息的 GCN 模型同等对待入邻居和出邻居，或在未考虑节点局部拓扑的情况下全局区分入邻居和出邻居。我们观察到，对于具有不同局部拓扑的节点，入邻居和出邻居的贡献不同。为探索不同节点的方向性结构信息，我们提出了一种具有加权结构特征的 GCN 模型，称为 WGCN。WGCN 首先通过方向和度感知的重启动随机游走算法捕获节点的结构指纹，其中游走由边方向以及节点的入度和出度共同引导。随后，节点结构指纹之间的交互被用作加权节点结构特征。为进一步捕获节点的高阶依赖和图几何，WGCN 将图嵌入潜空间以获得节点的潜邻居和几何关系。基于节点在潜空间中的几何关系，WGCN 通过基于注意力的几何聚合区分潜邻居、入邻居和出邻居。在直推式节点分类任务上的实验表明，在五个基准数据集上，WGCN 的准确率较基线模型一致提升高达 17.07%。
引用
@article{arxiv.2104.14060,
title = {WGCN: Graph Convolutional Networks with Weighted Structural Features},
author = {Yunxiang Zhao and Jianzhong Qi and Qingwei Liu and Rui Zhang},
journal= {arXiv preprint arXiv:2104.14060},
year = {2021}
}