摘要

图神经网络（Graph Neural Networks, GNNs）在处理包含节点/边特征信息的图结构数据方面展现出显著成效，已成功应用于社交网络分析、推荐系统、欺诈检测以及知识图谱推理等多个领域。为提升GNN的表达能力，学术界提出了多种优化策略。例如，一种直观的方法是通过增加隐藏层维度或堆叠更多GNN层来扩大模型参数规模。然而，过宽的隐藏层容易引发过拟合问题，而持续增加GNN层数则可能导致特征过度平滑（over-smoothing）。本文提出了一种与模型无关的方法——图中网络（Network In Graph Neural Network, NGNN），该方法能够通过引入深度结构提升任意GNN模型的容量。与传统通过增加或拓宽GNN层的方式不同，NGNN在每一层GNN内部嵌入非线性前馈神经网络层，从而实现模型的深度扩展。对基于GraphSAGE的GNN模型在ogbn-products数据集上的分析表明，NGNN能够有效增强模型对节点特征扰动或图结构变化的鲁棒性。此外，在节点分类与链接预测任务上的广泛实验验证显示，NGNN在多种GNN架构下均表现出稳定且可靠的性能提升。例如，NGNN使GraphSage在ogbn-products数据集上的测试准确率提升1.6%；在ogbl-ppa数据集上，使SEAL模型的Hits@100指标提升7.08%；在ogbl-ppi数据集上，使GraphSage+Edge-Attr模型的Hits@20指标提升6.22%。截至本文提交时，NGNN已在OGB链接预测排行榜上斩获两项第一名。