《Cross-GCN: Enhancing Graph Convolutional Network with k-Order Feature Interactions》论文阅读笔记
何向南老师团队发表于2021年,TKDE
-
背景
图作为一种数据结构,已经应用到了数字化图书馆,推荐系统,问答系统等信息检索应用中。随着深度学习的发展,图挖掘技术已经从结构理解转换到了特征学习。为预测分析(节点分类,边连接)提供一种通用的方式。
图卷积网络GCN是从图数据中学习的一种新兴技术。在图结构上进行特征学习,通过聚合邻居节点的特征得到目标节点的嵌入向量,因其强大的特征表示能力,近年来有很多关于GCN的研究。GCN以多层图卷积在低维潜在空间中,学习节点特征。传统的GCN主要包含两部分:节点聚合模块(融合邻居节点特征)和特征转换模块(将目标节点从原始的输入特征空间映射到潜在特征空间,以更好的表示节点特征)。主要关注于节点聚合模块,强调不同的连接属性,如局部相似性、多级连接和结构相似性,然而,只使用矩阵映射执行特征转换。 -
已有方法
已有的GCN方法没有建模交叉特征,当交叉特征重要时,GCN会变得无效。尽管神经网络可以逼近任意函数,包括用于建模特征交叉的乘法操作,但如果没有明确设计,这样做仍可能会非常低效(浪费许多参数,冒着过拟合的风险)。 -
本文
建模交叉特征的主要挑战是效率,因为交叉特征的数量随着特征维数