基于跳跃知识网络的图表示学习

近期用于图表示学习的深度学习方法遵循了一种邻域聚合过程。我们分析了这些模型的一些重要特性，并提出了一种克服这些特性的策略。特别是，一个节点的表示所依赖的“邻近”节点范围在很大程度上取决于图结构，类似于随机游走的扩散过程。为了适应局部邻域特性和任务需求，我们探索了一种架构——跳跃知识（Jumping Knowledge, JK）网络，该架构能够灵活地利用每个节点的不同邻域范围，从而实现更好的结构感知表示。通过在社交网络、生物信息学网络和引文网络等多个实验中进行验证，我们证明了我们的模型达到了当前最佳性能。此外，将跳跃知识框架与图卷积网络（Graph Convolutional Networks）、GraphSAGE 和图注意力网络（Graph Attention Networks）等模型结合使用时，可以持续提升这些模型的性能。