高阶属性增强的异质图神经网络
机器学习
2021-04-19 v1 社会与信息网络
摘要
图神经网络（GNNs）已广泛应用于图上的深度学习。它们能够学习有效的节点表示，在节点分类与节点聚类等图分析任务中取得优异性能。然而，多数方法忽略了真实世界图中的异质性。另一方面，为异质图设计的方法仅使用元路径而非元图，因而无法学习复杂的语义表示。此外，它们未能充分捕捉节点间基于内容的关联，因为它们要么不使用自注意力机制，要么仅用它考虑每个节点的直接邻居而忽略高阶邻居。我们提出了一种新颖的高阶属性增强（HAE）框架，以逐层方式增强节点嵌入。在该 HAE 框架下，我们提出了一种用于异质网络表示学习的高阶属性增强图神经网络（HAEGNN）。HAEGNN 同时引入元路径与元图以获取丰富的异质语义，并利用自注意力机制探索基于内容的节点交互。HAEGNN 独特的高阶架构允许考察一阶及高阶邻域。此外，HAEGNN 通过学习不同元路径与元图的重要性展现出良好的可解释性。HAEGNN 还具有内存高效性，因其避免了基于每条元路径的矩阵计算。实验结果不仅显示 HAEGNN 在节点分类、节点聚类与可视化任务中优于最先进（SOTA）方法，也证明了其在内存效率与可解释性方面的优势。
引用
@article{arxiv.2104.07892,
title = {Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks},
author = {Jianxin Li and Hao Peng and Yuwei Cao and Yingtong Dou and Hekai Zhang and Philip S. Yu and Lifang He},
journal= {arXiv preprint arXiv:2104.07892},
year = {2021}
}
备注
Accepted by IEEE TKDE. Code is available at https://github.com/RingBDStack/HAE