基于多层级核心聚合GNN的图节点分类算法

摘要

针对节点分类任务中邻居结构信息利用不充分、多层传递节点特征模糊化的问题,提出一种多层级核心聚合图神经网络(multi-level core aggregation graph neural network, MCAG)模型。MCAG模型将图数据划分为双节点和多节点连通分量,自定义核心节点筛选机制构建总核心节点组,进而扩展出核心节点子图,组合成核心节点聚合层,并与GraphSAGE层、群组归一化层融合得到节点最终表示。试验结果表明,MCAG模型在Cora等6个数据集上节点分类准确率平均提升3.28%,在Amap数据集上表现与基线模型相当,整体性能稳定;训练时间较原始架构平均缩减50%,核心节点集采样方法性能优于随机游走采样,验证了MCAG模型的有效性和优越性。

关键词

多层级核心聚合 / 筛选机制 / 核心节点 / 节点分类 / 图神经网络