摘要
图卷积网络（GCNs）在图结构数据的半监督学习中展现了显著的改进。与此同时，基于随机游走的信息，图嵌入的无监督学习也取得了进展。本文提出了一种模型：GCNs网络（N-GCN），该模型结合了这两条研究路线。其核心在于，N-GCN在随机游走中发现的不同距离节点对上训练多个GCN实例，并学习一种组合这些实例输出的方法以优化分类目标。我们的实验表明，所提出的N-GCN模型在我们考虑的所有具有挑战性的节点分类任务中均优于现有的最先进基线方法，包括Cora、Citeseer、Pubmed和PPI。此外，我们提出的方法还具备其他优良特性，如可推广至最近提出的半监督学习方法（例如GraphSAGE），从而允许我们提出N-SAGE模型；并且对对抗性输入扰动具有鲁棒性。