面向节点分类的 Wide & Deep 学习
机器学习
2025-05-06 v1 人工智能
机器学习
摘要
Wide & Deep 是由 Google 开发的一种简单而有效的推荐系统学习架构，因其结合了广义线性模型的记忆能力和深度模型的泛化能力，在学术界和工业界产生了重大影响。图卷积网络（GCN）在节点分类任务中仍占主导地位；然而，近期的研究指出了异配性和表达能力等问题，这些问题侧重于图结构，而似乎忽略了节点特征的潜在作用。在本文中，我们提出了一个灵活的框架 GCNIII，它利用 Wide & Deep 架构并融合了三种技术：交叉记忆、初始残差和恒等映射。我们提供了全面的实证证据，表明 GCNIII 能够在各种半监督和全监督任务中更有效地平衡过拟合与过度泛化之间的权衡。此外，我们探索了使用大语言模型（LLM）进行节点特征工程，以增强 GCNIII 在跨领域节点分类任务中的性能。我们的实现代码可在 https://github.com/CYCUCAS/GCNIII 获取。
引用
@article{arxiv.2505.02020,
title = {Wide & Deep Learning for Node Classification},
author = {Yancheng Chen and Wenguo Yang and Zhipeng Jiang},
journal= {arXiv preprint arXiv:2505.02020},
year = {2025}
}
备注
16 pages, 6 figures, 13 tables