基于路径感知邻域的节点分类算法

郑文萍, 王晓敏, 韩兆荣

Journal of Data Acquisition and Processing（2025）

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

AI 理解论文

数据免责声明

页面数据均来自互联网公开来源、合作出版商和通过AI技术自动分析结果，我们不对页面数据的有效性、准确性、正确性、可靠性、完整性和及时性做出任何承诺和保证。若有疑问，可以通过电子邮件方式联系我们：report@aminer.cn

Chat Paper

正在生成论文摘要

被引用0|浏览0

摘要

图卷积神经网络通过将相似性高的邻居节点信息进行聚合以得到节点表示,为节点选择合适邻域并进行有效聚合是图卷积网络的关键.现有的图卷积神经网络大多直接将多跳邻域内的节点信息聚合,没有考虑到不同跳数邻域的聚合权重对网络中不同节点的差异性.针对此,提出了一种基于路径感知邻域的节点分类算法(Path connectivity based neighbor-awareness node classification algorithm,PCNA),通过网络中的路径连通信息确定节点邻域,并自适应地感知不同长度路径对节点间相似性计算的影响权重,指导图卷积神经网络的邻域聚合过程.PCNA由邻域感知器和节点分类器组成,邻域感知器基于强化学习机制自适应地获取每个节点的聚合邻域及不同长度路径的影响权重,再利用节点间的路径连通信息得到相似性矩阵;节点分类器利用所得相似性矩阵进行邻域聚合得到节点表示,并进行节点分类.在8个真实数据集上与10种经典算法的对比实验表明了所提算法在节点分类任务上有较好的性能.

更多

查看译文

关键词

graph convolutional neural networks,neighborhood aggregation,reinforcement learning,node similarity,node classification

上传PDF

引用

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络