基于深度图卷积胶囊网络的图分类模型
【摘要】 针对提取图表征用于图分类过程中的结构信息提取过程的问题，提出了一种图卷积神经网络与胶囊网络融合的图分类模型。首先，利用图卷积神经网络处理图中的节点信息，迭代以后得到节点表征，表征中蕴含着该节点的子树结构信息;然后，利用Weisfeiler-Lehman图核算法的思想对节点表征的多维度进行排序，得到多视角的图表征;最后，将多视角的图表征整理成胶囊的形式并输入胶囊网络，使用动态路由算法得到更高层次的分类胶囊，进而进行分类。实验结果表明，所提模型在公共数据集上的分类准确度提升了1%~3%，同时具备更强的结构特征提取能力，在少样本情况下的表现比DGCNN更加稳定。
