摘要
在深度学习应用于图数据之后，图神经网络（Graph Neural Networks, GNNs）近年来已成为图上节点分类任务的主流方法。大多数GNN采用深度学习的端到端范式：将节点特征作为模型输入，并利用已标注节点的标签进行监督学习，以实现节点的分类。然而，尽管这些方法能够充分挖掘节点特征及其相互关联，却将标签视为独立信息，忽略了标签本身的结构特性。为充分利用标签的结构信息，本文提出了一种名为3ference的新方法，其核心思想是“基于差异的参考推理”。具体而言，3ference通过结合目标节点自身的特征，以及其相关节点的特征与标签，来推断该节点的类别标签。得益于对相关节点标签信息的引入，3ference能够捕捉节点间标签的转移模式，这一能力在后续的分析与可视化中得到了验证。在合成图及七个真实世界图数据集上的实验表明，相较于传统GNN方法，3ference在参数更少、已标注节点更少、且面对多样化标签分布的情况下，仍能实现更准确的节点分类，充分体现了标签关联性知识的有效性。