摘要
图是现实世界中常见的数据结构，表现为社交网络、交通网络以及知识图谱等形式。由于图数据庞大且复杂，因此如何有效分析和处理图结构数据成为一个关键难点。目前，处理图结构数据的主要方法为图卷积网络。现有的图卷积网络工作主要关注网络架构和特征传播方式，忽略了图结构数据中节点的邻域关系以及全局结构信息。本文致力于引入节点的邻域关系以及全局结构信息，提升模型在节点分类任务上的性能。主要创新工作如下: (1)本文提出一种基于全局表征学习的图卷积神经网络。该方法引入Deepwalk获取全局结构信息，使用不同节点的共现概率获得向量表示。在得到节点的向量表示后，通过比较全局向量表示的相似度，确定不同节点之间是否具有邻接关系并相应地更新邻接矩阵。该方法将全局结构信息嵌入到邻接矩阵中，融合图的局部邻域信息和全局信息，进一步挖掘深度特征进行节点分类。该方法通过结合全局结构信息，在Cora、Citeseer和Pubmed数据集上的分类性能超越了当前主流模型。 (2)本文提出一种基于节点关系推理的图卷积神经网络。关系推理模块是一个通用的关系网络层，用于推断相邻节点之间的关系。该方法通过对特征值进行排序和选择，固定每个节点的邻域个数并计算相邻节点之间的关系，以此建模节点的高阶关系。该方法能够提取节点的高阶信息并进行融合，挖掘更丰富的特征，从而增强图卷积神经网络在应用中的表示能力。该方法的节点分类结果在Cora、Citeseer和Pubmed数据集上有一定的提升。
NETL