异质图树网络
机器学习
2022-09-02 v1
摘要
异质图神经网络（HGNNs）在近三年吸引了日益增长的研究兴趣。大多数现有HGNN可分为两类。一类是基于元路径的HGNN，它们要么需要领域知识来手工设计元路径，要么消耗大量时间和内存来自动构建元路径。另一类不依赖于元路径构建。它以同质卷积图神经网络（Conv-GNNs）为骨干，并通过引入依赖于节点类型和边类型的参数将其扩展到异质图。无论是否依赖元路径，大多数现有HGNN采用浅层Conv-GNN（如GCN和GAT）来聚合邻域信息，并且捕获来自高阶邻域信息的能力可能有限。在这项工作中，我们提出了两种异质图树网络模型：异质图树卷积网络（HetGTCN）和异质图树注意力网络（HetGTAN），它们不依赖元路径来编码节点特征和图结构中的异质性。在三个真实世界异质图数据上的大量实验表明，所提出的HetGTCN和HetGTAN是高效的，并且在半监督节点分类任务上一致优于所有最先进的HGNN基线，且能够加深而不损害性能。
引用
@article{arxiv.2209.00610,
title = {Heterogeneous Graph Tree Networks},
author = {Nan Wu and Chaofan Wang},
journal= {arXiv preprint arXiv:2209.00610},
year = {2022}
}