基于半监督学习的图节点分类研究综述.docVIP

基于半监督学习的图节点分类研究综述

1图节点分类的研究背景与意义

图结构是对现实世界中实体及其关联关系的天然抽象，社交网络中的用户与好友关系、分子化学结构中的原子与化学键、知识图谱中的实体与语义关系、交通网络中的路段与连通性，本质上都可以表示为由节点和边构成的图数据。节点分类作为图数据分析领域的核心基础任务，目标是基于部分已知标签的节点，预测其余未知标签节点的类别属性，在恶意账号检测、分子属性预测、智能推荐、疾病诊断等场景具有广泛应用价值。

传统节点分类方法多依赖监督学习范式，需要大量标注样本才能训练出性能稳定的模型，但图数据的标注过程往往存在极高成本：社交网络的用户属性标注需要大量人工核验，生物分子的功能标签需要复杂实验验证，标注样本不足成为制约监督模型性能的核心瓶颈。半监督学习范式通过同时利用标注样本与大量无标注样本的内在结构信息降低对标注数据的依赖，与图节点分类场景的需求高度契合，因此基于半监督学习的图节点分类方法成为近十年图机器学习领域的研究热点。

2传统半监督图节点分类方法

早期半监督图节点分类方法主要基于图的统计特性与一致性假设设计，核心思路是利用图中节点的关联关系传递标签信息，其中最具代表性的包括标签传播算法、图正则化方法与基于随机游走的方法。

标签传播算法（LabelPropagationAlgorithm,LPA）是最基础的半监督节点分类方法，其核心假设