摘要
图神经网络（Graph Neural Networks, GNNs）在属性图上的学习任务中展现出强大的能力。然而，GNNs 仍难以有效利用距离源节点较远的信息，且大多数通用 GNN 模型需要图的属性作为输入，因此无法直接应用于无属性图（plain graphs）。针对上述局限性，本文提出了一种新型模型——G-GNNs（Global information for GNNs），以提升模型的全局信息建模能力。首先，通过无监督预训练方法，为每个节点提取其全局结构特征与属性特征，从而保留与该节点相关的全局信息。随后，结合提取出的全局特征与原始网络属性，我们设计了一种并行框架的 GNN 模型，用于从不同维度上学习这些特征。所提出的模型方法既适用于无属性图，也可用于属性图。大量实验结果表明，G-GNNs 在三个标准基准图上均显著优于现有最先进模型。特别地，在属性图学习任务中，我们的方法在 Cora 数据集上取得了 84.31% 的准确率，在 Pubmed 数据集上达到 80.95% 的准确率，均刷新了当前的基准记录。