Core Concepts
Durch die Kombination von semantischen Informationen aus Wissensgraph-Einbettungen und strukturellen Informationen aus Graph-Einbettungen kann die Leistung von Graph-Convolutional-Netzwerken bei der Knoten-Klassifizierung deutlich verbessert werden.
Abstract
In dieser Arbeit wird ein neuartiger Ansatz für die Knoten-Klassifizierung in Graphen vorgestellt, der als "semantisch-strukturelle Aufmerksamkeits-verstärkte Graph-Convolutional-Netzwerke" (SSA-GCN) bezeichnet wird.
Der Kern des Ansatzes liegt in der Extraktion und Integration von semantischen und strukturellen Merkmalen aus Graphdaten:
Für die semantischen Merkmale wird das TransE-Algorithmus zur Wissensgraph-Einbettung verwendet, um die semantischen Beziehungen zwischen Knoten zu erfassen.
Für die strukturellen Merkmale kommt der node2vec-Algorithmus zur Graph-Einbettung zum Einsatz, um die strukturellen Korrelationen im Graphen zu lernen.
Diese semantischen und strukturellen Einbettungen werden dann über einen Aufmerksamkeitsmechanismus miteinander verknüpft, um ihre Komplementarität zu nutzen und die Leistung des Graph-Convolutional-Netzwerks zu verbessern.
Die Experimente auf den Benchmark-Datensätzen Cora und CiteSeer zeigen, dass der vorgestellte SSA-GCN-Ansatz die Klassifizierungsgenauigkeit im Vergleich zu herkömmlichen GCN-Modellen deutlich steigern kann. Darüber hinaus erweist sich der Ansatz auch unter Datenschutz-Einschränkungen als robust und effektiv.
Stats
Die Cora-Datenmenge enthält 2708 Knoten und 5429 Kanten.
Die CiteSeer-Datenmenge enthält 3312 Knoten und 4732 Kanten.
Quotes
"Durch die Kombination von semantischen und strukturellen Einbettungen kann die Leistung von Graph-Convolutional-Netzwerken deutlich verbessert werden."
"Der SSA-GCN-Ansatz zeigt eine signifikante Steigerung der Klassifizierungsgenauigkeit im Vergleich zu herkömmlichen GCN-Modellen."