摘要
近年来，图神经网络(GraphNeuralNetworks，GNN)已成功的广泛应用于生物医药、系统建模、推荐系统、文本分类、社交网络等当今时代重要的各项领域。随着人工智能应用的不断发展，图结构数据库的规模也越来越大，如何对大规模图结构数据库进行有效训练，是图神经网络发展面临的重要挑战。 本文首先采用随机游走图采样算法以随机游走的方式形成多批次子图，以解决大规模图结构数据库的训练复杂度问题，同时也提高了模型训练的泛化性，在此基础上，提出了基于随机游走图采样的图卷积神经网络分类算法(RandomWalkGraphSamplingbasedGraphConvolutionalNetworksClassification，RWGS-GCNC)，通过聚合高阶节点的特征，以融合长距离图节点间语义相关信息，并通过多批次子图训练提升图结构数据库的整体感知能力，并在5个公开数据库中验证了RWGS-GCNC算法在归纳学习场景中的有效性。 为了有效学习图结构中节点在特征形成中的不同作用，本文提出基于随机游走图采样的门控图注意力网络分类算法(RandomWalkGraphSamplingbasedGraphAttentionnetworksClassification，RWGS-GATC)，通过引入多头注意力机制，在获取图注意力系数的同时，学习门控权重值以区分不同注意力头的特征相关性，这样可以有效对图结构数据进行动态特征提取，进一步提高了图结构数据的分类精度，最后，在5个公开数据库中和多个相关算法进行对比，验证了RWGS-GATC算法在归纳学习场景中的优越性。
NETL