摘要

现实世界中的事件表现出高度的相互依赖性和关联性，因此所产生的数据点也继承了这些关联关系。然而，大多数人工智能/机器学习（AI/ML）技术在建模时忽略了数据点之间的这种关联。近年来，基于图的AI/ML技术受到广泛关注，其核心目标正是充分利用数据之间的关联性。图-based学习算法能够有效利用数据及其相关关系，构建性能更优的模型。神经图学习（Neural Graph Learning, NGL）便是其中一种代表性方法，它通过在传统机器学习算法中引入改进的损失函数，以充分利用图结构中的边信息。本文提出一种基于NGL的模型——NodeNet，用于解决引文图中的节点分类任务。我们详细阐述了模型的改进之处，并讨论了这些改进与任务需求之间的关联性。此外，我们将实验结果与当前最先进的方法进行了对比，并深入分析了NodeNet表现出优越性能的原因。