文章目录
本文发表于2019年ICLR。标题放不下了就放在介绍里了。作者来自Technical University of Munich(慕尼黑工业大学)。
最近读到的关于GNN改进的论文都是旨在获取更深层次的传播,并防止过平滑。本文利用图卷积网络(GCN)与PageRank的关系,提出了一种改进的基于个性化PageRank的传播方案,将神经网络与传播方案分离开来。然后利用这个传播过程来构造两种不同的网络结构:PPNP及其近似APPNP。
PageRank
最开始介绍PageRank【1,2】。
PageRank通过随机游走去确定不同网页被访问的概率,在一定的条件下,当游走次数取极限,访问每个结点的概率收敛到平稳分布,这时各个结点的平稳概率值就是其PageRank值,表示结点的重要度。PageRank 是递归定义的,PageRank 的计算可以通过迭代算法进行。
这里,同GCN一样,需要一个转移矩阵,这个矩阵是根据图的拓扑结构得到的。当然,对于有向图来说,这个矩阵并不对称:
那么,给定 t t