摘要
图卷积网络（Graph Convolutional Networks, GCNs）近年来受到广泛关注，已成为学习图结构表示的有力方法。然而，大多数GCN模型在模型深度增加时会出现性能下降的问题，这与卷积神经网络（CNNs）在缺乏特殊架构设计时性能迅速退化的情况类似。一些研究者指出，邻域规模与神经网络深度是图表示学习中两个完全正交的维度。因此，已有多种方法通过聚合节点的k跳邻域来扩展邻域范围，同时采用浅层神经网络。然而，这些方法仍面临过度平滑（oversmoothing）、计算与存储开销高等问题。本文提出一种基于马尔可夫扩散核（Markov diffusion kernel）的GCN变体——简单谱图卷积（Simple Spectral Graph Convolution, S²GC），该方法与谱方法密切相关，并融合了空间方法与谱方法的优势。我们的谱分析表明，S²GC中所采用的简单谱图卷积本质上是一种低通滤波器，能够将网络划分为少数几个大的连通部分。实验评估结果表明，S²GC结合线性分类器在文本分类与节点分类任务中表现出较强的竞争力；同时，在节点聚类与社区发现等任务中，其性能可与当前最先进的方法相媲美。