HeterSEED：面向异构图学习的语义-结构解耦框架

许多真实世界的异构图表现出显著的异构性，其中连接节点常具有不相似的标签或发挥不同的语义角色。在此类设置下，基于特征相似性沿 metapath 或 meta-relation 进行消息聚合的标准异构图神经网络会传播错误信息，因为特征相似性可能与底层关系语义不一致。本文提出 HeterSEED，一种面向异构图学习的语义-结构解耦框架。HeterSEED 将表示学习解耦为捕获类型和关系感知的本质语义通道，以及通过伪标签引导的分区分离 homophilic 和 heterophilic 邻域的结构感知异构性通道，并使用基于 metapath 的结构权重进行聚合。随后，节点级自适应融合机制将两个通道组合以产生与上下文相关的节点表示。从理论上讲，我们证明，在异构图的异构性下，HeterSEED 在表达性上严格优于依赖特征相似性的标准异构图神经网络，并可可证明地减少由异构邻居引入的预测偏差。在五个真实世界的异构图上进行的实验，包括两个规模为百万节点和亿级边的大型网络，表明 HeterSEED 在各类异构图神经网络和最新的异构性基线方法中 consistently优于表现，尤其在强异构性情境下表现尤为突出。