自适应融合邻域聚合和邻域交互的图卷积网络

图表示学习是在保持图中节点性质不变的前提下，获取节点的低维表示向量，为下游任务提供有效的数据支持。现有图表示学习算法大多关注于聚合邻域特征，对于挖掘其他非线性信息关注不足。针对这一问题，提出了自适应融合邻域聚合和邻域交互的图卷积网络AFAI-GCN。首先，采用双通道图卷积网络建模邻域聚合，并利用生成的嵌入表示计算邻域交互项来补充算法学习的信息；然后，结合注意力机制构建自适应融合模块，增加对重要信息的关注，提高融合信息项的任务相关性；最后，通过信息一致性约束和差异性约束增强节点特征一致性和嵌入表示差异性。在三个公共引文数据集上进行了节点分类和可视化任务，结果显示，AFAI-GCN与图卷积网络（GCN）、邻域聚合和交互图卷积网络（AIR-GCN）等算法相比，在Cora、Citeseer、Pubmed数据集上分类准确率分别提高了1.0～1.6个百分点、1.1～2.4个百分点和0.3～0.9个百分点；在可视化任务中团簇内聚合程度更高，不同的团簇边界更清晰；算法学习过程中收敛速度更快，准确率曲线更平滑。实验结果表明该框架较好地提升了基准算法的性能。