摘要
图卷积网络（GCNs）近年来已成为众多应用中图分析任务的强大工具，从社交网络和自然语言处理到生物信息学和化学信息学，这得益于它们捕捉概念之间复杂关系的能力。目前，绝大多数的GCNs采用邻域聚合框架来学习连续且紧凑的向量表示，然后通过池化操作对图嵌入进行泛化以完成分类任务。这些方法在图分类任务中存在两个缺点：(1) 当仅使用最大子图结构（$k$-跳邻居）进行邻域聚合时，在图卷积步骤中会丢失大量早期信息；(2) 使用简单的平均/求和池化或最大池化，导致节点特征和节点之间的拓扑结构丧失。本文提出了一种新的框架，称为双注意力图卷积网络（DAGCN），以解决这些问题。DAGCN利用一种新颖的注意力图卷积层自动学习不同跳数邻居的重要性，并通过第二个注意力组件——自注意力池化层——从矩阵图嵌入的不同方面泛化图表示。双注意力网络以端到端的方式训练用于图分类任务。我们将模型与最先进的图核和其他深度学习方法进行了比较。实验结果表明，我们的框架不仅优于其他基线模型，还实现了更快的收敛速度。