41、图卷积网络在文档分类与k-强迫数问题中的应用

图卷积网络在文档分类与k-强迫数问题中的应用

1. 引言

在当今时代，数据的重要性日益凸显，然而数据量的爆炸式增长也带来了信息过载的问题。为了从海量数据中筛选出有用信息，信息过滤系统应运而生，其中推荐系统是常用的一种。尤其是在学术研究领域，研究学者常常面临检索相关学术文章的难题，而引文推荐系统在过去十年中逐渐发展成为先进的技术。

目前，基于图的推荐系统在科学文章推荐方面展现出了一定的效果，但也存在一些挑战。例如，这些模型在推荐时往往只考虑网络结构，而忽略了文章的类别和领域，并且嵌入元数据和网络的模型存在可扩展性问题。因此，寻找一种可扩展且能直接在图结构上运行的架构至关重要。

同时，图论中的k - 强迫数问题也备受关注。确定某些图类的度分裂图的k - 强迫数，对于研究疾病传播模式、分析逻辑电路以及社交连接网络等领域具有重要意义。

2. 相关工作

• 图卷积网络的发展 ：将卷积神经网络（CNN）和循环神经网络（RNN）的架构推广到结构化图是一项具有挑战性的任务。早期，研究人员尝试了一些特定问题的架构。Michaël Defferrard等人将图卷积网络（GCN）的应用从图像或音频等低维网格扩展到社交网络和知识图谱等高级网格，他们基于谱图理论构建CNN，保持了线性计算复杂度，但在可扩展性方面面临挑战。
• 可扩展的半监督分类方法 ：Thomas N. Kipf和Max Welling提出了一种可扩展的结构化数据半监督分类方法，该方法基于直接在图结构上运行的高效神经网络变体，在引文网络和知识图谱等结构化数据上的表现优于其他先进方法，且在大数