摘要
图核（Graph kernels）是一类用于衡量图相似性的核方法，已成为图分类任务中的标准工具。然而，将核方法应用于节点分类这一与图表示学习密切相关的问题，目前仍存在理论上的不完善，且现有最先进方法高度依赖启发式策略。本文提出了一种新颖的理论驱动型核方法框架，用于节点分类，旨在弥合图分类与节点分类这两类图表示学习任务之间的差距。我们的方法在图核方法的基础上进行拓展，能够学习捕捉图中结构信息的节点表示。理论上，我们证明了该方法的表达能力与任意正定核（positive semidefinite kernels）相当。为高效学习该核函数，我们提出了一种新颖的节点特征聚合机制，并在训练阶段引入一种数据驱动的相似性度量。尤为重要的是，该框架具有高度灵活性，可与其它基于图的深度学习模型（如图卷积网络，Graph Convolutional Networks, GCNs）互补融合。我们在多个标准节点分类基准数据集上对所提方法进行了实证评估，结果表明，该模型达到了新的最先进水平。