一种融合图数据多元结构和特征的图池化方法.pdfVIP

研究论文第51卷第1期/2025年1月/计算机工程

一种融合图数据多元结构和特征的图池化方法

王翔12,魏玉锌1,毛国君1,2

（1.福建理工大学计算机科学与数学学院，福建福州350118；

2.福建理工大学福建省大数据挖掘与应用技术重点实验室，福建福州350118)

摘要：在图神经网络中，图池化是一类用于对图数据进行下采样以提取图表征的重要操作。由于图数据存在

较为复杂的网络拓扑结构和高维度的特征信息，因此现有图池化方法在设计过程中未能同时融合图数据的拓扑

结构信息和节点的长距离依赖信息，在图池化过程中没有考虑丢弃节点的特征，造成图数据的重要信息损失。为

此，提出一种基于多元特征融合的图池化方法来同时捕获图数据的局部拓扑信息、全局拓扑信息以及长距离节点

依赖关系，并使用1个聚合模块聚合这些特征信息得到1个新的池化图。为了解决图池化过程中节点特征信息

丢失的问题，提出一种新的特征融合方法将丢弃节点的信息以一定比例汇聚到保留节点上。基于该池化方法，构

建基于分层池化的图分类模型。在DD、PROTEINS、NCI1和NCI1094个数据集上的实验结果表明，与最佳基

线模型相比，所提模型的分类准确率分别提升了2.97、3.59、0.48和0.24个百分点，能够更有效利用图数据的特

征信息、拓扑信息和长距离节点依赖信息，在图分类任务上取得了更好的效果。

关键词：图池化；图分类；拓扑信息；长距离节点依赖；特征融合

中图分类号：TP391.4文献标志码：AD0l:10.19678/j.issn.1000-3428.0068357

AGraphPoolingMethodFusingMultipleStructuresandFeaturesofGraphData

WANGXiang*2,WEIYuxin,MAOGuojun-?

(1.SchoolofComputerScienceandMathematics,FujianUniversityofTechnology,Fuzhou350118,Fujian,China;

2.FujianProvincialKeyLaboratoryofBigDataMiningandApplication,FujianUniversityofTechnology,Fuzhou350118,Fujian,China)

[Abstract]Ingraphneuralnetworks,graphpoolingisacriticaloperationusedtodownsamplegraphdataand

extractgraphrepresentations.Owingtothecomplexnetworktopologyandhigh-dimensionalfeatureinformationof

graphdata,existinggraphpoolingmethodsfailtosimultaneouslyintegrateboththetopologicalinformationof

graphdataandthelong-distancedependencyinformationofnodesduringthedesignprocess.Inthegraphpooling

process,nodefeaturesarenotdiscardedbecausediscardingthemwouldresultinthelossofimportantinformation

fromthegraphdata.Toaddresstheseissues,thisstudyproposesagraphpoolingmethodbasedonmulti-feature

fusiontosimultaneouslycapturethelocalan