基于图多层感知机的节点分类算法

作     者：文竹 袁立宁 黄伟 黄琬雁 莫嘉颖 冯文刚 WEN Zhu;YUAN Lining;HUANG Wei;HUANG Wanyan;MO Jiaying;FENG Wengang

作者机构：广西警察学院信息技术学院广西南宁530028 中国人民公安大学国家安全学院北京100038 南宁职业技术学院人工智能学院广西南宁530008 

基　　金：广西哲学社会科学规划研究课题(21FGL027) 广西法学会法学研究课题(GFKT2023-C3) 广西警察学院校级科研项目(2022KYZ17) 中央高校基本科研业务费专项资金项目(2022JKF02002)资助 

出 版 物：《广西科学》 (Guangxi Sciences)

年 卷 期：2023年第30卷第5期

页      码：942-950页

摘      要：多数图神经网络(Graph Neural Networks,GNN)通过设计复杂的节点信息传递和聚合方式,以提升节点分类等图分析任务的实验表现,而本文提出了一种无需信息传递和聚合的图多层感知机(Multi-Layer Perceptron,MLP)模型A&T-MLP,利用属性和拓扑信息引导的对比损失来增强模型表征能力。A&T-MLP首先使用属性矩阵和邻接矩阵计算节点间的属性和拓扑相似度;然后使用基于相似度信息引导的对比损失,增大特征空间中相似节点的一致性和不相似节点的差异性;最后构建多层感知机模型并引入交叉熵损失进行端到端训练。在节点分类任务中,A&T-MLP表现优于基线模型,Wikipedia数据集上的Micro-F1和Macro-F1相较GNN模型图卷积网络(Graph Convolutional Network,GCN)提升了15.86%和13.64%。实验结果表明,A&T-MLP能够通过对比损失保留丰富原始图的信息,提升模型性能。此外,A&T-MLP在处理拓扑信息不准确的图数据时具有较为明显的优势,即使在缺失80%拓扑信息的极端情况下,其实验表现依然优于基线模型。

主 题 词：图神经网络 多层感知机 节点属性 对比学习 节点分类 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

D　O　I：10.13656/j.cnki.gxkx.20231121.013

馆 藏 号：203124651...