Multi-Label Classification Model Using Graph Convolutional Neural Network for Social Network Nodes

doi:10.32604/cmes.2025.075239

Multi-Label Classification Model Using Graph Convolutional Neural Network for Social Network Nodes

2025-12-01

0

PRE

AI

DOI：10.32604/cmes.2025.075239

原文链接

原文求助

摘要

En 中文

图神经网络（GNN）在节点分类任务中表现出强大的性能，但大多数现有模型依赖于均匀或共享权重聚合，缺乏对节点间关系强度差异建模的灵活性。本文提出了一种新颖的图耦合卷积模型，引入自适应权重机制，根据邻接节点与中心节点的相似性赋予其不同的重要性。与传统的图神经网络方法不同，所提出的耦合策略在保持分类性能的同时增强了节点交互的可解释性。该模型在空间域运行，利用邻接表结构进行高效卷积，并通过耦合相似性计算解决了权重共享的局限性。在五个图结构数据集（包括Cora、Citeseer、PubMed、Reddit和BlogCatalog）以及基于开放大学学习分析数据集（OULAD）教育平台构建的自定义拓扑数据集上进行了大量实验。结果表明，所提出的模型在实现良好分类精度的同时，通过直接融合二阶邻居和数据预处理显著缩短了训练时间。此外，邻域阶数分析显示，考虑三阶邻居对精度提升有限，但引入了较大的计算开销，证实了一阶和二阶卷积在实践应用中的高效性。总体而言，所提出的图耦合模型为复杂网络中的多标签节点分类提供了一种轻量级、可解释且有效的框架。

Keyword:

GNN

social networks nodes

multi-label classification model

graphic convolution neural network

coupling principle

Multi-Label Classification Model Using Graph Convolutional Neural Network for Social Network Nodes

摘要

期刊

机构

引用论文