张红梅，李浩然， 张向利

(1.桂林电子科技大学 信息与通信学院，广西 桂林 541004；2.桂林电子科技大学 广西高校云计算与复杂系统重点实验室，广西 桂林 541004)

近年来，随着机器学习技术的不断发展，特别是卷积神经网络(convolutional neural network，简称CNN)的优秀表现，研究人员开始将卷积操作扩展到图数据，希望利用卷积操作强大的特征提取能力给图任务带来更有效的解决方法。但传统图神经网络在大规模图分类任务上存在训练过程中噪声信息过多以及对于图的层级表征信息挖掘不完整等问题。因此，基于图的神经网络算法亟待进一步的研究。

图神经网络(graph neural network，简称GNN)这一概念是由Gori等[1]首次提出，作为循环神经网络的一种泛化形式而引入。Bruna等[2]提出的图卷积神经网络(graph convolutional network，简称GCN)，通过傅里叶变换将图的Laplacian矩阵从空间域转换至频域，基于频域中的概念创造性地将可训练的卷积操作应用于图数据。文献[3-4]在原始GCN的基础上分别提出了2种简化操作，在降低了算法复杂度的同时极大地提高了算法的效率。但这些GNN算法都存在一定的局限性，它们在本质上是平坦的，特征信息仅通过节点的边缘传播，无法以层级的方式推断和表示信息。因此，Ying等[5]提出了一种可微分的图池化方法(DiffPool)，通过端到端的形式学习图的层级表示，但该方法空间复杂度较大，且参数的数量与节点数相关，对于大型图数据集不够友好。Gao等[6]使用gPool池化方法达到了与DiffPool相当的性能，并且对空间复杂度进行了优化，取得了明显优势，但未考虑图结构特征信息的提取。……