基于图卷积和全局对齐策略的图分类网络

薛晖，孙伟祥

（1.东南大学 计算机科学与工程学院，江苏 南京 211189；2.计算机网络和信息集成教育部重点实验室（东南大学），江苏 南京 211189）

图数据（Graph-Structured Data）作为一类用于描述实体（点）及实体之间关系（边）的非欧氏数据（Non-Euclidean Data），广泛存在于知识图谱[1]、社交网络[2]、计算机视觉[3]以及生物化学[4]等众多交叉学科领域.图数据的诸多复杂特性，例如结点的无序性与规模可变性，给现有的机器学习算法带来了巨大的挑战.幸运的是，近年来，随着深度学习和图表示学习的兴起，DeepWalk[5]、Node2Vec[6]以及图卷积神经网络等算法[7]相继被提出.特别是图卷积神经网络算法，能够将图数据的拓扑结构特征和结点属性高效地融合，从而学习得到高质量的图结点嵌入表示（Node Embeddings），使得机器学习算法对于复杂图数据的分析和挖掘能力得到了显著提升.目前，图卷积神经网络算法已经成为机器学习和数据挖掘领域的研究热点之一.

图分类（Graph Classification）作为一类重要的图挖掘任务，旨在对不同类型的图数据进行分类预测.与结点分类（Node Classification）等任务不同，图分类预测的对象为整个的图数据.因此，当图神经网络被应用于该任务时，需要对学习得到的结点嵌入向量进行整合转化，生成图级别的表示向量（Graph-Level Representation）后才能用于后续的分类网络[8-9].然而，在结点嵌入整合转化生成图表示向量的过程中，存在着以下三个难点：1）不同图之间结点规模可能存在较大的差异，但整合转化后得到图表示向量维度大小必须统一；2）图结点的顺序是排列无关且无意义的，但整合转化后得到图表示向量的特征顺序必须是有意义的；……