摘要

图卷积网络（GCNs）已在网络挖掘的节点分类任务中成功应用。然而，大多数基于邻域聚合的模型通常较浅，并且缺乏“图池化”机制，这阻碍了模型获取足够的全局信息。为了扩大感受野，我们提出了一种新的深度层次图卷积网络（H-GCN），用于半监督节点分类。H-GCN首先反复将结构相似的节点聚合为超节点，然后将粗化的图恢复到原始状态，以重建每个节点的表示。与仅聚合一跳或两跳邻域信息的方法不同，所提出的粗化过程扩展了每个节点的感受野，从而能够捕获更多的全局信息。实验结果表明，所提出的H-GCN模型在多个公开基准图数据集上表现出强大的性能，优于现有最先进方法，并在准确率方面最高可提升5.9%。此外，在仅有少量标记样本的情况下，我们的模型仍能获得显著的性能提升。