典型文献
基于GraphSage节点度重要性聚合的网络节点分类研究
文献摘要：
传统的图嵌入算法及图神经网络模型在对网络节点分类时仅使用了节点本身的属性信息或者特征信息,很少使用节点在网络中的结构信息.如何在图神经网络聚合时引入节点网络结构信息来提升分类准确性也是一个值得深入研究的问题.因此,在GraphSage模型的基础上,根据网络中节点度及节点重要性设计了新的聚合函数并提出了GraphSage-Degree模型.首先,模型根据节点度获得节点在邻域中的重要性,然后再以重要性为依据来聚合节点的特征,使得网络中重要的节点能够尽可能的聚合更多的特征信息,并且在GraphSage-Degree中设置了一个与节点度有关的超参数D,能够通过调节该参数D使得在不同的数据集上达到最佳分类状态.在Cora、Citeseer和Pubmed 3个公开数据集上进行了测试,GraphSage-Degree与其他方法相比,macro-F1的平均提升值分别为8.72％、10.37％和8.29％,在Pubmed上有最大提升值38.84％;micro-F1的平均提升值分别为8.97％、11.16％和6.9％,在Pubmed上有最大提升值38.39％.
文献关键词：
图神经网络;GraphSage;节点度;节点分类
中图分类号：
作者姓名：
邹长宽;田小平;张晓燕;张雨晴;杜磊
作者机构：
北京石油化工学院信息工程学院,北京102617
文献出处：
引用格式：
[1]邹长宽;田小平;张晓燕;张雨晴;杜磊-.基于GraphSage节点度重要性聚合的网络节点分类研究)[J].科学技术与工程,2022(32):14306-14312
A类：
GraphSage
B类：
节点度,网络节点,节点分类,分类研究,图嵌入,图神经网络,属性信息,特征信息,结构信息,分类准确性,中节点,节点重要性,聚合函数,Degree,邻域,再以,超参数,上达,达到最佳,Cora,Citeseer,Pubmed,公开数据集,其他方法,macro,升值,micro
AB值：
0.352907
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
