基于GraphSage节点度重要性聚合的网络节点分类研究

摘要：

传统的图嵌入算法及图神经网络模型在对网络节点分类时仅使用了节点本身的属性信息或者特征信息,很少使用节点在网络中的结构信息.如何在图神经网络聚合时引入节点网络结构信息来提升分类准确性也是一个值得深入研究的问题.因此,在GraphSage模型的基础上,根据网络中节点度及节点重要性设计了新的聚合函数并提出了GraphSage-Degree模型.首先,模型根据节点度获得节点在邻域中的重要性,然后再以重要性为依据来聚合节点的特征,使得网络中重要的节点能够尽可能的聚合更多的特征信息,并且在GraphSage-Degree中设置了一个与节点度有关的超参数D,能够通过调节该参数D使得在不同的数据集上达到最佳分类状态.在Cora、Citeseer和Pubmed 3个公开数据集上进行了测试,GraphSage-Degree与其他方法相比,macro-F1的平均提升值分别为8.72％、10.37％和8.29％,在Pubmed上有最大提升值38.84％;micro-F1的平均提升值分别为8.97％、11.16％和6.9％,在Pubmed上有最大提升值38.39％.

关键词：图神经网络、GraphSage、节点度、节点分类

所属期刊栏目：22

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;国家级大学生创新创业训练计划项目

在线出版日期：2023-04-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：14306-14312