双空间拓扑优化图卷积网络

图卷积神经网络是近期一类热门的网络表示学习模型,基于拓扑优化的图卷积网络通过网络辅助信息根据特定任务更新用于卷积的拓扑矩阵,从而能够更准确地学习到结构空间中节点间的关联关系.但这类模型忽略了节点属性的直接关联,无法充分利用节点属性信息进行节点的表示学习.节点属性是判别节点类别的一种重要信息,如何在进行拓扑优化的同时更有效的利用节点属性信息来学习更准确的类信息是一个亟待解决的问题.针对以上问题,提出了双空间拓扑优化图卷积网络(double space-topology optimization graph convolutional network,DS-TOGCN),对结构空间中与属性空间中节点的拓扑关系进行优化并得到相应的节点表示,并提取两个空间中的深层关联信息,最终结合这三种表示信息得到最终的节点表征.在Citeseer、ACM、BlogCatalog三个数据集上进行了节点分类实验,结果表明DS-TOGCN模型中节点能表示出更明显的类特征.