异构图节点分类网络

关系感知标签传播

专为不平衡异构图设计，通过关系感知标签传播和双层聚合缓解类别偏差。

Sun, Chengcheng · 翟成 · Qihan, Feng · 芮晓彬 · 王志晓

Physica A: Statistical Mechanics and its Applications 2025

技术优势

给少数类补标签

通过关系感知标签传播为异构图中的节点生成伪标签，作为数据增强手段，缓解少数类样本不足的问题。

异构消息传递更精细

不同类型节点重要性不同，采用基于类型注意力的双层聚合，在不同关系子图上进行异构消息传递。

三种不平衡策略可选

采用 Re-weight、Balanced Softmax 和 PC Softmax 等多种不平衡策略，缓解异构图中的分类偏差，且在不同不平衡比率设置下均验证有效。

应用场景

• 图神经网络：在不平衡异构图上训练更可靠的图神经网络模型。
• 节点分类：提升少数类节点的分类准确率。
• 图计算加速：通过伪标签增强减少对大量标注的依赖，加速图计算流程。
• 图数据挖掘：在不平衡数据中挖掘少数类节点的隐藏模式。
• 社交网络分析：识别社交网络中的小群体或罕见节点类别。