图卷积神经网络基础图结构影响研究

• 作者: 李社蕾 周波 杨博雄 刘小飞
• 来源期刊: 小型微型计算机系统
• 关键词: 图傅里叶变换 最大连通分量 图神经网络 图拉普拉斯矩阵
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 计算机网络与信息安全|Computer Network and Information Security
• 页码范围: 891-896
• 页数: 6页
• 分类号: TP83
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1220.2021.04.036

摘要

为进一步提高基于图卷积神经网络的半监督图节点分类的准确率,本文研究了基础图结构对图卷积神经网络的影响.通过对数据集(Cora、Citeseer及Pubmed)的图结构进行可视化,发现数据集(Cora、Citeseer)的图结构均为非连通图.通过研究非连通图中图拉普拉斯矩阵的"0"特征值和特征向量的特性,提出了通过对图拉普拉斯矩阵的"0"特征值对应的特征向量进行相关运算处理,获取非连通图最大连通分量的方法.该方法有效获取了数据集(Cora、Citeseer)图结构的最大连通分量,去除了非连通小分量.在该最大连通分量上利用3种先进的图卷积神经网络模型(GCN、GAT和GMNN)进行了实验验证,结果表明分类准确率提升了1％-4％,为其它包含小连通分量噪声的数据集更有效地利用图卷积神经网络模型训练提供了参考.