بهبود نمایش گراف با استفاده از ترکیب اطلاعات ساختاری و محلی در شبکه های عصبی مبتنی بر گراف

شبکه‌های عصبی گرافی (gnn) ابزار قدرتمندی برای تحلیل داده‌های ساختاری هستند، اما همچنان در شناسایی نقش‌های ساختاری با محدودیت‌هایی مواجه‌اند، به‌ویژه در شرایطی که گره ها دارای شباهت پایین یا ویژگی‌های ناقص باشند. این محدودیت‌ها ضرورت توسعه رویکردهایی را برجسته می‌کند که بتوانند ترکیبی از اطلاعات محلی و ساختاری را به‌طور همزمان در فرآیند یادگیری به کار گیرند. در این پژوهش، یک مدل جدید نمایش گراف معرفی شده است که با اعمال اصلاحات در ساختار و طراحی مکانیزم‌های ترکیب پیام، قادر است کارایی بالاتری در استخراج ویژگی‌های گراف ارائه دهد. در روش پیشنهادی، از ماتریس شباهت ساختاری در کنار ماتریس مجاورت و ویژگی‌های گره‌ها استفاده شده است تا هر دو جنبه‌ی اطلاعات محلی و الگوهای ساختاری در یادگیری لحاظ شوند. برای ارزیابی عملکرد، مدل پیشنهادی بر روی پنج مجموعه‌داده‌ی معیار actor، cornell، cora، wisconsin و texas در دو حالت همراه با ویژگی و بدون ویژگی آزمایش شده است و با چندین روش پایه شامل mlp، gcn، gat و geom-gcn مقایسه شد. نتایج تجربی نشان داد که روش پیشنهادی نسبت به روش‌های پایه ای، دقت و پایداری بالاتری در طبقه‌بندی گره‌ها ارائه می‌دهد، در حالی‌که کارایی محاسباتی آن نیز حفظ شده است. این نتایج بر اهمیت بهره‌گیری همزمان از اطلاعات ساختاری و ویژگی‌های محلی در بهبود یادگیری گراف تاکید دارند.

improving network embedding by combining structural and local information in graph neural networks

graph neural networks (gnns) are powerful tools for analyzing structured data; however, they still face limitations in capturing structural roles, particularly in scenarios with low homophily or incomplete node features. these challenges highlight the need for approaches that can simultaneously integrate both local and structural information in the learning process. in this study, we introduce a novel network embedding model, incorporating modifications in the architecture and message aggregation mechanisms to enhance graph feature extraction. the proposed method leverages a structural similarity matrix alongside the adjacency matrix and node features, enabling the model to jointly exploit local information and structural patterns. to evaluate its performance, the improved model was evaluated on five benchmark datasets actor, cornell, cora, wisconsin, and texas under both feature-present and feature-absent settings, and compared with several baseline methods mlp, gcn, gat, and geom-gcn. experimental results demonstrate that the proposed method achieves higher accuracy and stability in node classification compared to baseline methods, while maintaining computational efficiency. these findings underscore the importance of jointly utilizing structural information and local features for advancing graph learning