从异质图中检测社区：一种基于上下文路径的图神经网络模型

社区检测旨在将图节点分组为内部连接稠密的簇，是一项基础的图挖掘任务。近来，它已在包含多种类型节点和边的异质图上被研究，这对建模节点间的高阶关系提出了巨大挑战。随着图嵌入机制的兴起，它也被采用于社区检测。一组显著的工作使用元路径捕获节点间的高阶关系并将其嵌入节点表示中以辅助社区检测。然而，定义有意义的元路径需要大量领域知识，这在很大程度上限制了其应用，尤其是在像知识图谱这类模式丰富的异质图上。为缓解此问题，本文提出利用上下文路径捕获节点间的高阶关系，并构建基于上下文路径的图神经网络(CP-GNN)模型。它通过注意力机制将节点间的高阶关系递归嵌入节点表示中，以区分不同关系的重要性。通过最大化由上下文路径相连节点共现的期望，该模型能学习到既良好保持节点间高阶关系又有助于社区检测的节点表示。在四个真实世界数据集上的大量实验结果表明，CP-GNN优于最先进的社区检测方法。