k-阶特征交叉增强图卷积网络

《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

1. 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。

2. 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）。

3. 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