面向节点分类的图神经网络节点嵌入增强模型

考虑到实际的图结构往往是有噪的,可能包含实际不存在的边或者遗漏节点间实际存在的部分边,提出可微分相似度模型(DSM).通过挖掘节点间隐藏关系增强节点嵌入,以提高节点分类的准确度. DSM基于普通图神经网络方法(GNN)得到各节点的基础表征,根据节点表征相似度为目标节点选出相似节点集合,结合相似节点集合的基础表征对目标节点进行嵌入表征增强.在数学上,DSM是可微分的,可以将DSM作为插件与任意GNN相结合,以端到端的方式进行训练. DSM具有挖掘隐藏连接关系的能力,能促使GNNs学习到更具辨识性和鲁棒性的节点表征.基于最常用的多个公开的节点分类数据集,开展实验验证.结果表明,将已有GNNs与DSM结合能显著提升分类准确度,其中GAT-DSM相对GAT在数据集Cora和Citeseer上分别取得了2.9%、3.5%的提升.