HAGNN：面向异构图神经网络的混合聚合
机器学习
2024-12-17 v2
摘要
异构图神经网络（GNNs）在处理异构图方面已取得成效。在现有异构 GNNs 中，元路径起着关键作用。然而，近期研究指出，不含元路径的简单同构图模型也能取得可比结果，这引发了对元路径必要性的质疑。本文首先阐明基于元路径与无元路径模型的内在差异，即如何为节点聚合选择邻居。随后，我们提出一种新颖框架以全面利用异构图中丰富的类型语义信息，即 HAGNN（Hybrid Aggregation for Heterogeneous GNNs，面向异构 GNNs 的混合聚合）。HAGNN 的核心在于同时利用元路径邻居与直接相连邻居进行节点聚合。HAGNN 将整体聚合过程分为两阶段：基于元路径的型内聚合与无元路径的型间聚合。在型内聚合阶段，我们提出一种称为融合元路径图的新数据结构，并在其上执行结构语义感知聚合。最后，我们合并各阶段生成的嵌入。与现有异构 GNN 模型相比，HAGNN 能充分利用异构图中的异质性。在节点分类、节点聚类和链接预测任务上的大量实验结果表明，HAGNN 优于现有模型，证明了其有效性。
引用
@article{arxiv.2307.01636,
title = {HAGNN: Hybrid Aggregation for Heterogeneous Graph Neural Networks},
author = {Guanghui Zhu and Zhennan Zhu and Hongyang Chen and Chunfeng Yuan and Yihua Huang},
journal= {arXiv preprint arXiv:2307.01636},
year = {2024}
}
备注
Accepted by IEEE TNNLS