基于上下文结构感知的选择性图卷积网络OA

图神经网络的核心同质性假设相连节点标签可能更相似,但在异质性场景(相连节点标签通常不相似)中,这一假设成了关键的局限,因为传统邻域聚合机制会明显拉低模型性能.目前,采用高阶邻域或重加权方案的改进思路不仅会引入大量来自不相似节点的结构噪声,还因为对局部子图变化区分不足,无法捕捉细微的上下文结构模式.为了解决这些相互交织的问题,提出了全新的框架——基于上下文结构感知的选择性图卷积神经网络(SGC⁃CSA),利用集成化设计同时建模上下文结构与实现自适应选择性传播,前者以群体公平性约束指导自我网络分区,提取领域不变模式并避免上下文盲区,后者通过邻域分布计算相似性度量,以门控机制控制属性拓扑对齐推断的同质性候选节点、直接邻居及核心节点自身特征的融合比例.该框架能让节点动态过滤无关信息,确保不同异质性场景下的结构连贯性.在10个真实世界网络数据集上的测试结果证实,该框架成功地缓解了聚集偏差与结构分布偏移问题.