计算机工程

作者：商雅名, 吴安彪, 袁野, 王一舒

单位：1. 东北大学计算机科学与工程学院, 辽宁 沈阳 1101672. 北京理工大学计算机学院, 北京 100081

关键词：数据增强,个性化PageRank,生成模型,神经网络,全局聚合,多阶邻域

基金：国家自然科学基金(62302084); 中国博士后科学基金(2023M730518); 中央高校基本科研业务费专项资金(N232405-16)

图神经网络(GNN)的关键思想是通过图的拓扑结构来聚合邻域信息学习目标节点的信息表征，当图中存在与下游任务无关的边，或者节点的邻居有限时，都会限制神经网络的表达。现有的增强方法很少从结构和特征两方面出发来同时增强图数据，其中现有的局域增强方法运用生成模型通过一阶邻域来生成特征，无法为节点获得更多相关高阶邻域信息。针对这种现象，提出一种有效的数据增强策略。首先运用边预测模型来调整图的拓扑结构，提高信噪比(SNR)，促进节点之间的消息传递；然后运用个性化PageRank(PPR)算法从全局角度聚合多阶邻域中的有效信息进行全局特征增强；最后运用生成模型来生成更多特征进行局域增强，丰富节点表达，尤其是低度节点。实验结果表明，在Cora、CiteSeer和PubMed数据集上，在图卷积网络(GCN)和图注意力网络(GAT)模型上运用该数据增强策略，在测试精度方面模型准确率平均提高3.1和1.3百分点，证明当应用于不同的基准集的各种神经网络架构时，该数据增强策略都能产生一定程度上的性能提升。

来源：2025年第6期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第6期