综述：基于图神经网络的复杂网络节点重要性评估：系统综述

《Communications in Nonlinear Science and Numerical Simulation》：Node Importance Evaluation in Complex Networks Based on Graph Neural Networks: A Systematic Review

　　

# 摘要

在复杂网络中识别关键节点对于系统分析和资源优化至关重要。传统的拓扑指标往往难以应对现代网络的规模和高维特征。图神经网络（GNN）通过强大的表征学习能力提供了一种稳健的数据驱动替代方案。按照PRISMA框架，本综述系统分析了2016年至2025年间发表的147项基于GNN的节点重要性评估研究。首先，我们追溯了从传统中心性指标和特征工程机器学习到端到端图表示学习的发展历程，并将现有研究归纳为六种问题形式，包括分类与回归、排序学习以及组合优化。其次，我们考察了九种主流架构（包括GCN、GraphSAGE、GAT、GAE和GCL等）的机制、优势和局限性，重点关注特征聚合、长程依赖建模和异构信息处理。此外，我们总结了数据集、评估指标、已报告的性能结果以及代表性的下游应用场景，包括社交网络和关键基础设施系统。最后，我们讨论了现有研究在计算成本、动态适应性和黑箱行为方面的主要局限。我们进一步提出了涵盖轻量化模型与知识蒸馏、持续学习、对抗鲁棒性、因果可解释性及大语言模型的方法论路线图，旨在为该领域的未来研究提供指导。

# 引言

网络结构无处不在。作为描述现实世界复杂系统中交互关系的通用数学范式，复杂网络广泛存在于自然界和人类社会之中。它们涵盖社交网络、电力基础设施、城市交通系统和生物蛋白质相互作用网络等多个领域[1,2,3]。这些系统可以被抽象为由节点和边组成的图结构数据$G=(V,E)$。尽管网络规模庞大、拓扑结构复杂，但帕累托法则表明，少数关键节点发挥着与其数量不成比例的核心作用[4,5,6]。节点重要性评估旨在识别对网络连通性、信息传播、系统鲁棒性或功能维持至关重要的节点。因此，它是网络科学、图数据挖掘和复杂系统分析中的基本问题。

准确识别网络中的关键节点具有重要的理论意义和应用价值。在网络鲁棒性和防御策略方面，识别并保护核心枢纽节点可以显著增强电网或通信骨干网络抵御蓄意攻击和随机故障的能力[7,8]，这有助于防止级联故障的发生。在传播动力学与控制方面，在流行病防控中快速定位超级传播者或在舆论治理中识别意见领袖，对于制定遏制策略或最大化影响力至关重要[9,10]。此外，在广告或疫苗分配等资源受限场景中，基于节点重要性的精确资源分配是最大化成本效益的核心方法。图1展示了网络瓦解的过程。

长期以来，节点重要性评估主要依赖于基于网络拓扑结构的传统中心性指标。度中心性（DC）、介数中心性（BC）、接近中心性（CC）、PageRank和K-shell等经典算法因其强可解释性和直观的运算逻辑，为节点排序建立了基准[11,12,13,14]。然而，随着现实世界网络数据的爆发式增长和特征维度日益丰富，传统方法的局限性日益凸显。

第一，许多传统中心性指标依赖于预定义的拓扑假设，通常仅从单一视角（如局部邻域、最短路径、特征向量或核心分解）定义节点重要性，因此在捕获多尺度结构、高阶交互和非线性传播依赖方面的能力有限[15,16,17,18,19,20]。第二，大多数传统方法仅使用图拓扑信息，对节点属性、边属性、时间状态和领域语义的利用不足，这限制了其在属性图、异构图、动态图和多层网络中的适用性[21,22,23]。第三，一些全局指标在大规模网络中计算成本高昂，例如BC依赖于最短路径统计，难以支撑大型或动态更新网络的实时分析。

这些局限性并不意味着传统中心性方法丧失了价值。相反，它们仍然是节点重要性评估的重要理论基线和可解释参考。然而，当处理具有属性、高度动态、异构和任务驱动的网络数据时，仅靠人工定义的中心性规则已不足以在复杂场景中建模节点重要性。

近年来，深度学习的快速发展使图神经网络（GNN）为解决上述瓶颈提供了新的方案[24,25,26]。作为深度学习在非欧几里得数据上的扩展，GNN利用强大的消息传递机制和聚合函数，将局部拓扑结构与属性特征融合为低维稠密向量嵌入。与传统方法相比，基于GNN的节点重要性评估模型展现出显著优势。第一，它们具备强大的特征融合能力，支持对拓扑和属性的联合表示进行端到端学习。第二，通过非线性激活函数和堆叠层捕获高阶邻域信息和复杂依赖关系。第三，基于归纳学习框架，这些模型表现出强泛化性能，可处理未见过的节点或全新的网络结构。

现有研究表明，GNN能够有效整合复杂图数据中的拓扑结构和节点属性。在节点分类、链路预测、异常检测和图表示学习等任务中，其性能优于传统的基于图特征的方法[27,28,29]。在节点重要性评估方面，图卷积网络（GCN）、GraphSAGE、图注意力网络（GAT）、图自编码器（GAE）、图对比学习（GCL）、图变换器（GT）、图强化学习（GRL）、异构图神经网络（HGNN）和超图神经网络（HyperGNN）等架构已被应用于影响力预测、中心性近似、Top-k关键节点识别、网络瓦解、源定位和动态脆弱性分析[30,31]。

然而，基于GNN的方法并不遵循单一的技术路线。不同架构在邻域采样、注意力分配、隐变量重建、对比目标、全局依赖建模、基于强化学习的决策以及高阶关系表示等方面存在巨大差异。因此，对基于GNN的节点重要性评估的综述不仅应考察方法是否使用了GNN，还应进一步分析不同架构如何对应不同的问题形式、监督信号、优化目标和评估指标。

尽管现有综述已从不同角度讨论了影响力节点识别、关键节点检测和基于GNN的节点排序，但仍存在若干局限。一些综述主要关注传统中心性度量、机器学习方法或复杂网络指标，对基于GNN的方法讨论有限[32,33,34]。一些研究从节点移除和网络连通性破坏的角度处理关键节点检测，强调组合优化、计算复杂度和近似算法，而非数据驱动的节点表示学习[35]。近期综述开始考察基于GNN的节点重要性排序，但其架构分类主要局限于基础GNN、GCN、GAT和GAE，对GraphSAGE、GCL、GT、GRL、HGNN和HyperGNN等新兴范式的覆盖仍显不足[36]。

更为重要的是，现有综述仍缺乏针对节点重要性评估问题形式的任务导向比较，未能系统地区分分类、回归、排序学习、组合优化、无监督学习和动态图建模，也缺乏对评估指标和已报告性能结果的结构化综合。鉴于2016年至2025年基于GNN的节点重要性研究快速增长，亟需一篇专门的综述，系统考察模型架构、任务形式、优化目标、评估指标和应用场景。

本综述的必要性不仅源于基于GNN的方法数量增加，也反映了领域自身的转变。节点重要性评估已从静态中心性计算演变为多任务研究领域，现涵盖有监督影响力预测、排序学习中心性近似、组合优化、强化学习、无监督表示学习、动态图预测、异构语义建模和高阶超图建模。若缺乏基于GNN架构和任务形式的系统组织，则难以理解现有研究之间的技术关联、适用边界和性能差异。表1比较了本综述与现有节点重要性评估综述的差异，明确了本研究的范围和贡献。

为弥合上述研究空白，本综述系统考察了2016年至2025年间发表的147项基于GNN的节点重要性评估与排序研究。与现有综述相比，本文的主要贡献如下：

（1）基于2016年至2025年的147篇核心参考文献，本文通过定量分析回答了该领域演进方面的问题。研究发现，尽管GCN仍然是基石，但自2023年以来研究重心已显著转移，趋向于处理长程依赖的图变换器（GT）、挖掘无监督信号的对比学习以及建模高阶关联的超图神经网络（HyperGNN）。这揭示了从局部聚合到全局感知和高阶推理的技术转变。

（2）本文超越了传统综述仅关注单一模型或应用场景的局限。从技术架构角度，系统地将现有方法分为九大类：基于GCN、基于GraphSAGE、基于GAT、基于GAE、基于GCL、基于GT、基于GRL、基于HGNN和HyperGNN。对于每一类，本综述讨论了其在解决节点重要性评估问题方面的内部机制和发展逻辑，并总结了相关研究中使用的数据集、评估指标和已报告性能。

（3）本文系统综述了评估模型性能的数据集-指标-任务综合验证体系。总结了主流公共数据集存储库和评估指标，包括排序一致性、传播影响力、网络鲁棒性、分类性能和计算效率，并在Cora数据集上比较了代表性算法。此外，本综述讨论了基于GNN的节点重要性评估在五大场景中的应用逻辑，包括社会公共分析、电力基础设施、智能交通、知识图谱和金融风控，为算法的落地实施提供了实用指南。

本文其余部分组织如下。第2节详细说明了本研究采用的系统文献综述方法，包括研究问题的定义、搜索策略以及基于PRISMA框架的文献筛选过程。第3节统一了图数据的记号和节点重要性的定义，并将基于GNN的节点重要性评估表述为不同的学习问题，回顾了从传统中心性度量和基于机器学习的特征工程到基于GNN的表示学习的演进过程。第4节分析了该领域的发展趋势、主流GNN架构、数据集、评估指标、结构化性能证据和应用场景。第5节讨论了未来研究方向，包括统一基准、轻量化模型设计、持续学习、鲁棒性、可解释性和跨域泛化。第6节总结全文。

# 研究方法

本研究严格遵循系统文献综述的方法论框架，遵守PRISMA声明的指导原则。目标是全面回顾基于GNN的节点重要性评估领域的发展路径和前沿进展。这依赖于透明且可重复的检索和筛选过程，旨在最大程度地减少选择偏差。

# 预备知识

本节建立了贯穿整个综述的基本记号、任务定义和方法论发展。首先介绍了图数据的表示和节点重要性评估的形式化定义，然后从机器学习任务形式的角度总结了基于GNN的节点重要性评估，接着回顾了从传统中心性指标和早期机器学习方法到基于GNN方法的演进过程。最后引入了……

# 回答研究问题1

**过去十年中，基于GNN的节点重要性评估研究呈现了怎样的演进趋势？**

近年来，随着深度图学习、表示学习和自监督学习的发展，基于GNN的节点重要性评估已逐渐从少量探索性研究演变为网络科学与人工智能交叉领域中的活跃研究主题。尽管检索期始于2016年，但符合纳入标准的基于GNN的节点重要性评估研究始于2018年。图4-6展示了……

# 未来研究方向

对现有基于GNN的节点重要性评估方法的综述表明，该领域近年来取得了明确进展。然而，仍面临若干挑战。

# 结论

本文系统回顾并重构了复杂网络中基于GNN的节点重要性评估的研究格局。对2016年至2025年间发表的147项核心研究的综合分析表明，GNN驱动的评估框架扩展了传统启发式中心性指标的适用性，这主要通过端到端非线性映射和多维度特征集成来实现。

这些框架在异构网络中尤为有用，[200]、[215]动态未引用引用缺失引用。CRediT作者贡献声明：黄康正：撰写——审阅与编辑，撰写——原稿，可视化，验证，软件，资源，方法论，调查，资金获取，形式分析，数据整理，概念构思。常业：撰写——原稿，资源，方法论，调查，形式分析，数据整理，概念构思。李伟博：撰写——审阅与编辑，监督，项目管理，方法论，资金获取，概念构思。叶晶晶：监督，。利益冲突声明：作者声明不存在已知的可能影响本文所报告工作的竞争财务利益或个人关系。黄康正 | 常业 | 李伟博 | 叶晶晶 | 曹帅 | 李仁太，武汉理工大学自动化学院，中国湖北省武汉市，邮编430070。