基于路径感知邻域的节点分类算法

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。