第21卷第1期2023年2月福建工程学院学报JournalofFujianUniversityofTechnologyVol．21No．1Feb．2023doi:10．3969/j．issn．1672－4348．2023．01．012自适应频率和动态节点嵌入的图卷积网络陈林凯1，毛国君1，2(1．福建工程学院计算机科学与数学学院，福建福州350118;2．福建省大数据挖掘与应用重点实验室，福建福州350118)摘要:图卷积网络由于能够直接处理图结构数据的优点而受到广泛研究。当前的多数图卷积网络是基于图信号的平滑性(低频信息)，且不能根据各节点适合的接受域生成对应的节点嵌入，随着网络层数的增加，易出现图卷积网络特有的过平滑问题而导致性能下降。为此，提出了基于自适应频率和动态节点嵌入的图卷积网络模型(adaptivefrequencyanddynamicnodeembeddingbasedgraphconvolu-tionalnetwork，FDGCN)。FDGCN模型能够自适应聚合不同频率的信息，同时利用每层网络的输出，平衡每个节点来自全局和局部领域的信息，动态地调节节点嵌入。通过在4个公共数据集上进行实验，对比了6个现有模型，证明了FDGCN模型的有效性。关键词:图神经网络;图卷积神经网络;过平滑;节点分类;频率自适应中图分类号:TP18文献标志码:A文章编号:1672－4348(2023)01－0078－06AnadaptivefrequencyanddynamicnodeembeddingbasedgraphconvolutionalnetworkCHENLinkai1，MAOGuojun1，2(1．SchoolofComputerScienceandMathematics，FujianUniversityofTechnology，Fuzhou350118，China;2．FujianProvincialKeyLaboratoryofBigDataMiningandApplications，Fuzhou350118，China)Abstract:Graphconvolutionalnetworkshavebeenextensivelystudiedduetotheiradvantagesofbeingabletodirectlyhandlegraph－structureddata．Mostofthecurrentgraphconvolutionalnetworksarebasedonthesmoothnessofthegraphsignal(lowfrequencyinformation)andcannotgeneratecorrespondingnodeembeddingaccordingtothesuitableacceptancedomainofeachnode．However，asthenumberofnetworklay-ersincreases，theproblemofover－smoothinguniquetographconvolutionalnetworksispronetooccur，resul-tinginperformancedegradation．Therefore，anadaptivefrequencyanddynamicnodeembeddingbasedgraphconvolutionalnetwork(FDGCN)wasproposed．FDGCNmodeliscapableofadaptivelyaggregatinginformationatdifferentfrequencies;meanwhile，itdynamicallyadjustsnodeembeddingbyusingtheoutputofea...
