基于直觉模糊可信度图与能量感知扩散图神经网络的学术论文分类方法

《Frontiers in Artificial Intelligence》：An energy-aware diffusion graph neural network based on intuitionistic fuzzy credibility graphs for research-paper classification

　　

摘要专业翻译 不同学术数据源中研究论文的分类仍面临语义歧义、信息缺失、可信度波动以及研究文章间复杂关联等挑战。现有模糊图神经网络过度依赖隶属度信息，无法在图传播层面真正考虑直觉不确定性、信任可靠性及节点的结构重要性。为克服上述局限，本文提出一种结合信任感知直觉表示与新型节点拉普拉斯能量机制的直觉模糊图神经网络架构。所提出的节点拉普拉斯能量（Node Laplacian Energy, NBLE）源自图拉普拉斯矩阵的行范数，作为自适应节点加权度量，用于评估每篇研究论文的局部结构贡献。此外，采用基于扩散的传播技术以增强语义关联论文间的信息传递，并捕获更广泛的图关系。该系统结合语义相似性特征与直觉模糊可信度信息，对研究论文进行分类测试，并与已知机器学习及图神经网络基线方法在准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1-score）等指标上进行性能比较。研究结果表明，融合不确定性感知表示、结构节点加权及扩散式图传播能够提升判别性学术内容分类效果。该范式为研究论文分类中语义关联、不确定性、可信度及图结构相关性的统一建模提供了一种系统性方案。

论文解读文章

一、研究背景与问题提出

学术文献数量的爆炸式增长对研究论文的自动分类提出了迫切需求。传统文本分类方法通常孤立地处理文档特征，难以利用研究文章之间的结构关联。图神经网络（Graph Neural Network, GNN）虽能编码关系信息，但传统GNN模型通常以清晰的数值属性处理节点，难以有效应对学术研究与领域归属中蕴含的不确定性、不精确性和犹豫性。此外，现有基于图的方法往往对所有节点一视同仁，未显式度量不同节点在图中的结构价值。传统图卷积亦难以充分捕获信息在相关研究论文间的渐进式扩散过程。

具体而言，当前研究论文分类方法存在以下不足：其一，传统机器学习与深度学习方法多孤立建模文档，或依赖以二元或标量边值刻画关系的刚性图结构；其二，尽管GCN（Graph Convolutional Network）、GraphSAGE、GAT（Graph Attention Network）等架构能有效聚合邻域节点信息，但通常不传递与论文间关联直接相关的不确定性与可靠性信息；其三，直觉模糊图虽通过隶属度与非隶属度处理模糊性，但其与神经图分类及显式可信度的结合仍较匮乏；其四，可信度感知模糊模型多用于相似度、聚合及决策问题，其与节点级拉普拉斯结构信息的结合仍受限；其五，扩散式GNN虽展示了长程信息传递的优势，但未将直觉可信度与节点级拉普拉斯结构信息显式纳入。

上述缺陷促使研究人员开发一种能够联合纳入不确定性、可靠性与论文关联结构属性的图学习框架。隶属度与非隶属度分别提供正向与负向证据的稳健性洞察，对应的信任值则提供这些估计可靠性的细节。节点级拉普拉斯能量可提供额外结构信息，捕获特定节点在图中的多样性或重要性。整合扩散传播允许信息超越局部交互在图上传导。这些协同特性共同推动研究人员提出一种可信度与能量感知的图学习框架。

二、研究内容与核心发现

为填补上述方法论空白，研究人员提出了一种名为IFCG-GNN（Intuitionistic Fuzzy Credibility Graph Neural Network，直觉模糊可信度图神经网络）的统一图学习框架。该框架的核心创新在于：将直觉模糊可信度表示、节点级拉普拉斯结构编码、可信度感知扩散传播与图神经网络分类器整合为统一的论文分类系统。研究结果表明，该框架在准确率、精确率、召回率和F1分数等指标上优于传统机器学习与图神经网络基线方法，验证了不确定性感知表示、结构节点加权与扩散式图传播对提升判别性学术内容分类的有效性。

三、关键技术与方法

研究人员构建了IFCG-GNN框架，其技术流程主要包括以下环节。首先，从OpenAlex学术数据库获取12,552篇研究论文，将标题、摘要和关键词聚合为单一语义表示，利用Sentence-BERT（SBERT）模型编码为稠密数值嵌入。其次，通过论文嵌入与计算机科学、工程学、模糊系统、生物科学四个领域表示之间的余弦相似度，生成四维领域相似度特征。随后，将这些语义特征转化为包含隶属度（μ）、非隶属度（γ）及对应可信度（C_μ、C_γ）的四元组直觉模糊可信度表示。在此基础上，依据语义或结构相似性构建论文关联图，并利用图拉普拉斯矩阵提取节点级拉普拉斯能量（NBLE），作为节点结构重要性的量化指标。该能量通过计算拉普拉斯矩阵对应行的范数并归一化得到节点权重，在卷积前融入节点特征表示。最后，在模型中引入扩散层以增强信息在图上的传播，结合直觉模糊表示、节点级拉普拉斯加权、扩散机制与GNN分类器，实现不确定性感知的语义信息与图结构关系的联合学习。

四、研究结果

直觉模糊可信度表示与图构建。 研究人员提出四元组（μ, γ, C_μ, C_γ）直觉模糊可信度表示框架，同时编码证据信息与可信度数据，无需单独犹豫元素。该表示被编码为显式图结构，使不确定性在图拓扑上传播而非仅停留在神经参数层面。

节点级拉普拉斯结构编码。 研究人员提出节点拉普拉斯能量（NBLE）作为节点级结构描述符，定义为拉普拉斯矩阵对应行元素的绝对值和。NBLE被整合进初始节点表示，并作为隐藏表示传播中的节点特定加权机制。该度量提供了节点级结构信息，区别于传统图级拉普拉斯能量的谱特征描述。

可信度感知扩散传播。 研究人员在直觉模糊可信度图上采用扩散机制，使信息传播超越传统局部邻域聚合。该扩散过程与不确定性及可信度感知图模型、节点级结构编码相整合，实现长程信息传递。

统一分类框架与性能评估。 IFCG-GNN将直觉可信度表示、图结构信息、NBLE与扩散传播融合为统一的论文分类框架。研究人员将该框架与MLP、GCN、GraphSAGE、GAT、扩散卷积神经网络（DCNN）和扩散跳跃图神经网络（DJ-GNN）等基线模型进行比较，并开展消融实验与参数敏感性实验，以厘清各组件的影响。

五、讨论与结论

现有方法大多将不确定性表示、直觉模糊建模、结构能量、可信度或扩散传播视为独立的方法论问题。本研究填补的研究空白不仅在于单一组件的缺失，而在于缺乏一种统一的图学习公式，能够同时利用不确定性与可信度定义图表示、以节点级拉普拉斯信息作为显式结构信号、并在所得直觉可信度图上执行扩散传播。IFCG-GNN旨在探索这一方法论交互。

研究结论表明，将不确定性感知表示、结构节点加权与扩散式图传播相结合，能够提升判别性学术内容分类效果。所提出的范式为研究论文分类中语义关联、不确定性、可信度及图结构相关性的统一建模提供了系统性方案。该框架在OpenAlex数据集上的实验验证了其有效性，为自动化研究论文分类提供了更具信息量且更稳健的技术路径。未来工作可进一步探索该方法在其他图学习任务中的适用性，以及扩展其在大规模学术图谱上的可扩展性。