AGHINT：基于Transformer的属性引导异构信息网络表示学习

近年来，异构图神经网络（HGNN）通过在节点级别捕获长程依赖性和异质性，在表示学习方面取得了令人瞩目的成功。然而，现有研究很少深入探讨异构信息网络（HIN）中节点属性的利用。在本文中，我们在基准任务（即节点分类）中研究了节点间属性差异对HGNN性能的影响，并通过实验发现，当对属性与其邻居显著不同的节点进行分类时，典型模型表现出明显的性能下降。为了缓解这个问题，我们提出了一种新颖的基于Transformer的属性引导异构信息网络表示学习模型（AGHINT），该模型允许在属性的引导下更有效地聚合邻居节点信息。具体来说，AGHINT通过将高阶相似邻居特征直接集成到学习过程中，超越了原始图结构的限制，并根据节点间的属性差异修改了节点间的消息传递机制。在三个具有目标节点属性的真实世界异构图基准数据集上的大量实验结果表明，AGHINT优于当前最先进的方法。