本文证实了GNNs的聚集过程往往会破坏原始特征空间中的节点相似性,因此提出了SimP-GCN框架在利用图结构的同时能够有效地保持节点相似性。具体来说,为了平衡图结构和节点特征的信息,提出了一种自适应集成图结构和节点特征的特征相似性保持聚合。此外,使用自监督学习明确捕获节点之间的复杂特征相似性和不相似性关系(添加了正则化项)。我们在7个基准数据集上验证了SimP-GCN的有效性,包括3个同分类图和4个非同分类图。结果表明,SimP-GCN优于代表性基线。
INTRODUCTION
通过实证研究,本文证明:(1)给定一个节点,与该节点具有特征相似度的节点与连接该节点的节点重叠的可能性较小(在本研究中我们将此称为“少重叠”问题);(2) GCN倾向于保持结构相似性而不是节点相似性,无论图是否为同配图(当节点同质性在图中存在时)。聚合过程中的邻居平滑和小重叠问题不可避免地引入了一个结果节点表示,通过GCN学习自然破坏了节点与原始特征空间的相似性。由于节点相似性在以下的几个场景中具有重要作用。
- 当图结构不是最优时,例如图是非选型的或图结构被攻击,严重依赖结构信息会导致性能非常差。
- 低度节点只有少量的邻居节点,它们从邻居节点