超越图神经网络：社区增强机器学习重新审视节点分类问题

本研究挑战图神经网络（GNN）处理图数据节点分类的主流范式，提出社区增强的机器学习方法：通过社区检测等显式提取图结构特征，结合传统机器学习分类器，从预测性能、计算效率、模型可解释性三个维度分析。结果显示，该方法在部分场景下可达到与GNN相当甚至更优的性能，且更高效、可解释。

近年来GNN成为图数据处理的事实标准，广泛应用于社交网络、生物信息学等领域。但GNN存在计算开销大、可解释性差、超参数调优难、过平滑等问题。研究提出疑问：是否需依赖GNN？将社区等结构信息嵌入特征，用传统ML能否保持性能同时提升效率与可解释性？

核心方法分为两部分：1.社区检测与关系嵌入：使用Louvain、标签传播、谱聚类等算法提取社区归属标签，结合度中心性、介数中心性等拓扑特征，与原始属性拼接；2.传统ML回归：采用随机森林、梯度提升树（XGBoost/LightGBM）、SVM、逻辑回归等分类器，利用其训练快、特征重要性清晰等优势。

三维度评估结果：1.预测性能：在部分基准数据集上，社区增强方法与GCN、GAT等GNN精度相当或更优；社区结构明显的图上表现更好，复杂图上GNN更具优势。2.计算效率：社区检测为一次性预处理，传统ML可CPU高效运行，训练速度远快于GNN，易分布式扩展。3.可解释性：传统ML提供特征重要性排序、系数解释等，能直观理解决策机制，优于GNN的黑盒特性。

方法论启示：1.特征工程未过时：领域知识驱动的特征设计在数据有限、资源受限或需可解释性时仍有效；2.方法选择应基于问题：避免盲目追随技术潮流，需考虑问题特性、资源与需求；3.简单性价值：奥卡姆剃刀原则适用，简单方法更易理解、部署与维护。

应用前景：1.工业部署：无需GPU，用成熟ML工具链即可实现高质量节点分类，低门槛高效；2.教育研究：帮助初学者理解图特征与社区结构，为GNN学习建立直觉；3.混合方法灵感：将社区特征作为GNN输入或融入消息传递，或进一步提升性能。

未来展望：本研究开启图ML中经典方法价值的探索方向。随着图数据规模增长，效率与可解释性将更重要。社区增强方法为节点分类提供务实、透明、高效的替代方案，值得学术界与工业界进一步关注研究。