---
title: "節點分類（Node Classification）"
slug: node-classification
language: zh-TW
source: https://aiterms.tw/terms/node-classification
updated_at: 2026-06-22
tags: [機器學習, 深度學習, 神經網路, AI應用]
ipas_term: false
---

# 節點分類（Node Classification）

一種圖學習任務，目標是為圖中的節點預測標籤或類別，利用圖結構和節點特徵進行學習。

## 完整說明

節點分類是圖神經網路最常見的應用任務，目標是對圖中的節點進行分類預測。在半監督設定下，只有部分節點有標籤，模型需要利用標籤節點、圖結構和節點特徵，推斷無標籤節點的類別。節點分類廣泛應用於社交網路、引文網路、知識圖譜等領域，是評估圖神經網路模型性能的重要基準。

## 常見問題

### 在半監督節點分類中，訓練集、驗證集、測試集如何劃分？

標準做法是從所有節點中隨機抽取小比例（如 5-20%）作為訓練集，另外 10-30% 作為驗證集用於超參調整，剩餘作為測試集。關鍵是三個集合不重疊，且測試集保留到最後才評估。值得注意的是，圖的邊是固定的，在所有集合中共享；只有節點標籤被劃分。某些研究會刪除測試集節點的相關邊以加大難度，但標準基準（如 Cora）不這麼做。

### 如何處理標籤不均衡的節點分類問題？

標籤不均衡（某些類別樣本過少）會導致模型偏向多數類。常用的應對策略包括：(1) 加權損失函數，對稀有類使用更高權重，(2) 過採樣（復制稀有類樣本）或欠採樣（移除多數類樣本），(3) 使用焦點損失（focal loss）強調困難樣本，(4) 使用微調的評估指標（如宏平均）而非整體準確率。對於高度不均衡的情況，可結合圖結構的標籤傳播（如標籤傳播演算法）初始化，提升模型對稀有類的敏感性。

### 節點分類模型如何泛化到看不見的節點？

標準的歸納設定中，節點分類模型在訓練集基礎上預測測試集（兩者都是已知圖的一部分）。若要預測完全新加入的節點（圖外推），模型需要基於節點特徵進行預測，不能依賴其他節點的資訊（因為新節點未連接到圖）。這種情況下，GNN 的優勢大幅降低，可能回到簡單的特徵分類器。若新節點有初始邊（如推薦系統中新用戶的初始評分），可以進行一步或多步局部 GNN 推理。

---

來源：https://aiterms.tw/terms/node-classification
快查頁：https://aiterms.tw/terms/node-classification
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-node-classification