摘要

图表示学习在各类图分析任务中具有至关重要的作用，涵盖节点分类、社区检测等多个方面。近年来，图卷积网络（Graph Convolutional Networks, GCNs）已被成功应用于图表示学习。这类模型通过聚合邻域特征来生成节点表示，遵循“邻域聚合”机制。尽管在多种任务上取得了令人瞩目的性能，现有基于GCN的模型在捕捉图数据复杂的非线性特性方面仍存在明显局限。本文首次从理论上证明，当前模型中邻域交互项的系数相对较小，这解释了为何GCN的性能往往仅略优于线性模型。为更好地建模图数据的复杂非线性关系，本文提出一种新颖的GraphAIR框架，该框架在传统邻域聚合的基础上，进一步显式建模邻域之间的交互关系。在多个公开数据集上，针对节点分类与链接预测等基准任务所开展的全面实验表明，所提出方法具有显著的有效性。