代码分享 | 使用GCN模型Cora学术文献引用数据集节点分类

本代码实现了一个两层GCN模型，用于在Cora学术文献引用数据集上进行节点分类（预测论文主题类别）。核心流程分为数据预处理→模型架构→训练优化→评估可视化四部分。以下从算法原理和数学公式展开：

1. 数据预处理

Cora数据集包含2708篇论文（节点），每篇论文有1433维词袋特征（x），标签为7个主题类别（y）。邻接矩阵A表示引用关系（边）。关键预处理步骤：

特征归一化：对节点特征矩阵X按行归一化，使每行和为1：

其中⊘表示逐元素除法，1是全1向量。这避免特征尺度差异影响模型。

邻接矩阵规范化：添加自连接并对称归一化，解决节点度分布不均问题：

D是度矩阵（对角元素Dii=∑jA~ij），L是最终使用的拉普拉斯矩阵。此步骤确保信息传播时邻居节点权重平衡。

2. GCN模型架构

模型核心是两层图卷积层（GraphConvolution），每层执行以下操作：

1.图卷积操作：

H(l)是第l层的节点表示（输入层H(0)=Xnorm)

W(l)是可训练权重矩阵

σ是激活函数（第一层用ReLU，第二层用Softmax）此公式源于谱图理论，将傅里叶变换推广到图上，实现节点特征的局部聚合。

2.参数初始化：权重W使用He初始化（Kaiming Uniform），偏置b初始化为0：

其中fan_in是输入维度，此方法缓解梯度消失问题。

3. 训练机制

训练目标是最小化交叉熵损失，衡量预测类别与真实标签的差异：

1.损失函数：

其中y^i=Softmax(logitsi)，Vtrain是训练集节点。

2.优化过程：

使用Adam优化器，结合权重衰减（L2正则化）防止过拟合：

m^t和v^t是梯度一阶矩和二阶矩的偏差校正估计，η=0.1是学习率。

反向传播时，计算损失对权重W的梯度∇WL，通过链式法则更新参数。

4. 评估与可视化

1.准确率计算：

I是指示函数，Vtest是测试集节点。

2.t-SNE可视化：

将最终层输出（7维logits）降维至2D：

通过KL散度最小化保留样本间相似性，直观展示不同类别节点的聚类效果。

3.学习曲线：绘制训练/验证集的损失与准确率随epoch的变化，监控过拟合（如验证损失上升时需早停）。

5. 关键数学挑战与GCN特性

1.过平滑问题：深层GCN中，节点表示趋向收敛至相同值。本模型仅用两层缓解此现象。

2.稀疏矩阵优化：邻接矩阵L以稀疏格式存储，计算LH时使用稀疏乘法，复杂度从O(N^2 )降至O(nnz)（非零元素数）。

半监督学习：仅训练集节点参与损失计算（通过train_mask），验证集用于超参数调优，体现图数据的传播特性。

6.总结 

本实现展示了GCN在图数据上的完整流程：通过拉普拉斯矩阵规范化实现邻居信息聚合，利用两层图卷积提取特征，结合交叉熵损失与Adam优化进行端到端训练。最终在Cora数据集上达到约80%的测试准确率，t-SNE可视化验证了类别可分性。与您熟悉的GraphSAGE相比，GCN更依赖全局图结构而非采样邻居，适合全图监督任务。建议进一步探索层数增加对过平滑的影响，或结合注意力机制（如GAT）提升性能。

代码见评论区

计算结果