摘要

节点分类和图分类是两种图学习问题，分别预测节点的类别标签和图的类别标签。图中的一个节点通常表示现实世界中的一个实体，例如社交网络中的用户或蛋白质相互作用网络中的蛋白质。在本研究中，我们考虑了一种更具挑战性但实际应用价值较高的设置，即节点本身是一个图实例。这导致了在许多领域（如社交网络、生物网络和文档集合）中出现的层次化图视角。例如，在社交网络中，一群具有共同兴趣的人形成一个用户组，而多个用户组通过互动或共同成员相互连接。我们研究了层次化图中的节点分类问题，其中“节点”是一个图实例，如上例中的用户组。由于现实世界数据中的标签通常有限，我们设计了两种新颖的半监督解决方案，称为SEmi-supervised grAph clAssification via Cautious/Active Iteration（简称SEAL-C/AI）。SEAL-C/AI采用了一个迭代框架，交替构建或更新两个分类器，一个在图实例级别工作，另一个在层次化图级别工作。为了简化层次化图的表示，我们提出了一种新的监督自注意力图嵌入方法，称为SAGE（Supervised Attention Graph Embedding），该方法可以将任意大小的图实例嵌入到固定长度的向量中。通过在合成数据和腾讯QQ群数据上的实验，我们证明了SEAL-C/AI不仅在准确率/Macro-F1方面显著优于竞争方法，还能生成所学表示的有意义解释。