近日，我院孙志鹏老师的研究成果以论文“NC_SGOI: A node classification method for a streaming graph using lightweight variable graph neural network”发表于物联网领域国际权威期刊《IEEE Internet of Things Journal》。

该成果聚集于动态流图顶点分类的图神经网络模型设计，解决由于动态流图的规模庞大和结构复杂多变使得动态流图顶点分类变得极为困难等问题，尝试着提出一种基于轻量级可变图神经网络的动态流式图顶点分类方法。

近年来，移动互联网飞速发展，各个应用领域产生了规模急剧庞大的动态流图数据。在动态流图分析研究中，顶点分类问题因其广泛的应用场景，如社交网络的非法用户检测、电子商务的商品推荐等，已成为热点的研究领域。因此，本文我们采用时间窗口方式批量处理流图数据，在初始时间窗口内，构建如下图的基于对比学习的图神经网络预训练模型，利用自监督学习方式训练模型得到模型最优参数，并且在输出阶段，根据流图顶点特征嵌入(embedding)与标准类型之间的相似度来确定流图顶点的类型，从而解决初始时刻新增顶点无类型标签的冷启动问题。

在后续时间窗口中，复用前一个时间窗口内的图神经网络模型参数和顶点分类结果，对模型进行微调优化，并且利用萤火虫的光强变化原理，计算受新增顶点局部影响的子图，将其作为轻量级重构模型的输入图数据，因此避免了从头开始重新训练模型，并且减少了模型训练的数据规模，从而加速后续时间窗口内新增顶点分类过程。扩展实验表明本文算法相比传统算法大大提升了动态流图顶点分类的精确度，即使对比当前最新的动态图顶点分类算法DynGNN，本文算法在保证流式图顶点分类准确度的同时，本文算法加快了动态流式图顶点分类的速度。

论文信息：

Sun Zhipeng; Zeng Guosun; Wang Shun. NC_SGOI: A node classification method for a streaming graph using lightweight variable graph neural network. IEEE Internet of Things Journal, 2025. doi.org/10.1109/JIOT.2025.3593327.