摘要：流图在现实应用中广泛存在，其节点特征和结构特征会随时间推移而动态变化。尽管图神经网络（Graph Neural Network，GNN）在静态图节点分类中表现卓越，但其难以直接应用于流图，流图的持续演化会导致信息滞后和遗漏问题，所以模型难以准确提取流图特征。针对上述挑战，提出了一种随时间持续演化的流图神经网络（Continuously Evolution Streaming Graph Neural Network，CESGNN），以解决流图节点分类问题。该方法首先通过持续更新的图卷积网络（Continuous Updates Graph Convolutional Network，CU-GCN）增量地更新参数，以适应流图节点特征的变化，缓解信息滞后问题，然后自适应扩展的图神经网络（Adaptive Deepening Graph Neural Network，AD-GNN）通过将聚合和更新操作解耦，以挖掘流图深层特征，从而缓解信息遗漏问题。CESGNN通过有机地融合原始特征、CU-GCN提取的浅层特征和AD-GNN提取的深层特征，获得更准确和全面的流图特征表示。实验结果表明，CESGNN模型对流图具有良好的适应性和稳定性，提高了流图节点分类的准确率。
文章目录
1 引言
2 相关工作
2.1 静态图节点分类
2.2 动态图节点分类
3 持续演化的流图神经网络
3.1 问题定义
3.2 持续更新的图卷积神经网络
3.3 自适应拓展的图神经网络
3.3.1 自适应确定邻域聚合阶数
3.3.2 解耦聚合更新操作加深模型
3.4 特征融合
3.5 参数更新
3.6 复杂度分析
4 实验
4.1 数据集
4.2 对比方法
4.3 实验设置
4.4 自适应扩展模型
4.5 实验结果
4.6 邻域聚合阶数设置
结束语
