摘要

图分类是一个在多个领域具有广泛应用价值的问题。为解决该问题，通常需要计算某些图统计量（即图特征），以区分不同类别的图。在现有大多数方法中，计算这些特征时往往需要对整个图进行处理。例如，在基于图小构件（graphlet）的方法中，需对整个图进行分析以获取各类图小构件或子图的总数。然而，在许多实际应用中，图数据往往包含噪声，而具有判别性的模式通常仅局限于图的特定区域。针对这一问题，本文研究了基于注意力机制的图分类方法。注意力机制使模型能够聚焦于图中少量但信息丰富的局部区域，从而有效规避图其余部分的噪声干扰。为此，我们提出了一种新颖的循环神经网络（RNN）模型，称为图注意力模型（Graph Attention Model, GAM），该模型通过自适应地选择一系列“信息丰富”的节点，仅对图的一部分进行处理。在多个真实世界数据集上的实验结果表明，尽管本方法仅处理图的局部区域，其性能仍可与多种知名图分类方法相媲美，展现出较强的竞争力。