计算机科学与探索

作者：曹璐, 丁苍峰, 马乐荣, 延照耀, 游浩, 洪安琪

单位：延安大学 数学与计算机科学学院，陕西 延安 716000

关键词：节点重要性,节点排序,图神经网络,表示学习

基金：国家自然科学基金（62262067）；陕西省人才项目（YAU202213065，CXY202107）；延安大学“十四五”重大科研项目（2021ZCQ012）；延安大学基金项目（YCX2024049，YDBK2018-35，D2022034）；教学改革研究项目（YDJG23-27）；大学生创新创业训练项目（202210719034，S202310719075）。

节点重要性排序作为一项关键的图数据分析任务，对于识别和排序图中的重要节点至关重要。图神经网络（GNN）作为一种利用深度学习直接对图结构数据进行学习的框架，能够充分学习图结构数据中的节点和边的内在规律及更深层次的语义特征。在节点重要性排序任务中，GNN能够充分利用图结构信息和节点特征进行节点重要性的评估。相比于传统的节点排序方法，GNN可以更好地处理图结构数据的多样性和复杂性，捕捉节点间的复杂关联和语义信息，并自动学习节点特征表示，减少手工特征工程的偏差，提升节点重要性排序任务的准确性。因此，基于图神经网络的方法已成为节点重要性研究的主流方向。对近年来图神经网络的节点排序方法进行分类和综述。梳理了节点排序、图神经网络及经典节点重要性度量指标的核心概念。全面总结了基于图神经网络的节点重要性方法的最新进展，并根据基础图神经网络及其衍生的变体，将节点重要性排序方法分为基础图神经网络、图卷积神经网络、图注意力网络和图自编码器四类。同时，分析这些方法在社交网络、交通网络和知识网络等下游任务中的性能表现。对现有研究进行全面总结，分析现有方法的时间复杂度、优点、局限性和性能，并根据现有研究的不足讨论未来的研究方向。

来源：2025年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第4期