PSMEKL: Positional and structural multiple empirical kernel learning for node embedding

doi:10.1016/j.neunet.2026.108898

PSMEKL: Positional and structural multiple empirical kernel learning for node embedding

2026-03-25

0

PRE

AI

DOI：10.1016/j.neunet.2026.108898

原文链接

原文求助

摘要

En 中文

图神经网络（GNNs）在处理图结构数据方面表现出强大的能力，其中节点通过边相互连接。通常，将位置和结构信息融入节点嵌入可以捕捉节点的分布特征。然而，传统的GNNs难以同时完美地捕捉这两种信息。此外，现有的节点嵌入方法难以同时处理有属性和无属性的图。为此，我们提出了位置和结构多重经验核学习（PSMEKL）方法，该方法通过融入位置和结构信息来增强节点特征表示。PSMEKL整合了核映射和社区检测技术，以捕捉位置关系和全局图结构，并通过优化专门的准则函数，为有属性和无属性的图生成有效的节点嵌入。该方法增强了不同结构节点的区分度，同时确保具有相似连接模式的节点共享相似的嵌入特征。大量实验证实，使用PSMEKL预处理节点特征能显著提升GNN的性能。PSMEKL的代码可在 https://github.com/ZonghaiZhu/PSMEKL 获取。

Keyword:

Graph Neural Networks

Node Embedding

Positional Information

Structural Information

Kernel Learning

PSMEKL: Positional and structural multiple empirical kernel learning for node embedding

摘要

期刊

机构

引用论文