06 块建模 - 引导图卷积神经网络

核心观点与关键数据

• 图卷积网络（GCN）的本质：在图结构的指导下，通过在邻居中传播节点属性来对嵌入空间的节点进行编码。
• GCN的问题：同质假设限制其适用性，即GCN仅适用于同质网络，而大多数连接发生在相同或相似类中的节点。
• 现有相关工作：包括HGCN、MixHop、GGCN、GPR-GNN等，但它们在聚合高阶邻居、定义最优聚集机制等方面存在不足。

方法概述

• 块相似度矩阵：通过节点属性获取预测的软标签，以半监督方式训练MLP，计算块相似度矩阵，描绘类之间的连接模式。
• 块建模引导图卷积过程：引入块体建模技术解决同质问题假设，提出一个新的框架使GCN适用于同型和异型网络。
• 块引导图卷积过程：通过新的图形卷积层，考虑各种类别组合之间的信息传播率，优化半监督模型。

实验与结论

• 实验数据集：包括异型网络和同型网络。
• 实验结果：验证了块建模技术引导GCN实现分类聚合的有效性。
• 结论：提出了一种新颖的设计方案，构建块相似性矩阵，使块建模技术能够引导GCN实现分类聚合，并使GCN适用于同型和异型网络。

数据与代码

• 数据与代码：https://github.com/hedongxiao-tju/BM-GCN