结合残差网络和噪声处理的节点分类模型

图卷积网络(GCNs)通过迭代堆叠多层卷积聚合操作来学习节点的表示,在许多图学习的任务中显现出强大的潜力.但是,由于图卷积运算的过度平滑效应,大多数基于GCN的模型无法对深层进行建模.此外,实际应用中往往会有许多噪声数据,在深层建模时会极大地干扰GCN的节点分类性能.为了解决上述问题,本文提出了一种结合残差网络和噪声处理的节点分类模型(NHGCN).针对噪声节点,模型使用自适应的残差处理方法并修改了范数约束,提高了对噪声节点的修正能力.针对过度平滑问题,模型利用残差映射优化图卷积的信息传播,缓解了图卷积聚合操作中的梯度消失问题,保留了节点独特性,增强了节点分类效果.在Cora,Citeseer,Pubmed这3个公开数据集上进行了训练和测试,实验结果表明:相较于现有的节点分类模型,本文模型实现了更优的处理过平滑效果和抗噪性能.

基于邻域交互和图神经网络的推荐模型

异质图中包含丰富的关系,图神经网络(Graph Neural Networks,GNNs)能够自然地整合节点关系,因此图神经网络在推荐领域显示出巨大的潜力.然而,现有基于图神经网络的推荐大多聚焦于学习用户和项目的表示,忽略了用户和项目间的交互信息.其次,这些模型很少学习元路径的明确表示.为了解决上述问题,本文提出一种基于邻域交互和图神经网络的推荐模型NGRec.该模型学习用户和项目的表示,并通过元路径引导的邻域来获取用户和项目间的交互,最后将节点表示和交互信息进行融合用于推荐.该模型在得到节点有效表示的基础上,融合节点间的交互,增强了推荐效果.在3种不同类型的异质图上进行大量的实验,证明了所提模型在性能上的提升.