摘要
节点分类是图分析领域中最热门的任务之一。尽管现有研究已探索了有向图与无向图中多种节点表示方法，但它们普遍忽视了不同表示方法在捕捉图结构信息能力上的差异。为解决这一局限性，本文系统研究了节点表示形式（聚合特征 vs. 邻接列表）与图中边方向感知能力（有向 vs. 无向）之间的多种组合。我们首次开展了实证研究，对采用不同节点表示与边方向感知组合的多种图神经网络（GNN）进行了性能基准测试。实验结果表明，没有任何一种组合能在所有数据集上稳定地达到最先进水平，这说明应根据数据集的具体特性选择合适的组合策略。针对这一问题，我们提出了一种简洁而全面的分类方法——A2DUG，该方法充分融合了有向图与无向图中所有可能的节点表示组合，实现对图结构信息的全面建模。实验验证表明，A2DUG在多个数据集上均表现出稳定优异的性能，相较于现有最先进方法，最高可提升准确率达11.29个百分点。为推动该领域新方法的发展，我们已将完整的代码库以MIT许可证公开发布，供学术界与工业界自由使用与改进。