图分类对于许多与图数据相关的实际应用(例如化学药物分析和社交网络挖掘)至关重要。传统方法通常需要特征工程来提取有助于区分不同类别的图的图特征。尽管最近提出了基于深度学习的图嵌入方法来自动学习图特征,但它们大多使用从图中提取的一些顶点排列进行特征学习,这可能会丢失一些结构信息。在这项工作中,我们提出了一种新的基于模体注意力图卷积神经网络用于图分类,它可以学习更有辨别力和更丰富的图特征。具体而言,我们开发了一种模体匹配引导的子图规范化方法来更好地保留空间信息。我们还提出了一种新的子图级自注意网络来捕捉不同子图的不同影响或权重。在生物信息学和社交网络数据集上的实验结果表明,与传统图核方法和最近的深度学习方法相比,所提出的模型显著提高了图分类性能。
主要关键词