面向异质图学习的微/宏混合层级卷积

异质图在实际场景中无处不在，其中每个图由多种类型的节点和边组成。异质图上的表示学习旨在获得能够同时保留节点属性和关系信息的低维节点表示。然而，大多数现有的图卷积方法都是为同质图设计的，因此无法处理异质图。一些近期为异质图设计的方法也面临若干问题，包括异质特性利用不足、结构信息丢失以及缺乏可解释性。本文中，我们提出 HGConv，一种新颖的异质图卷积方法，通过微/宏混合层级卷积操作在异质图上学习全面的节点表示。与现有方法不同，HGConv 可以在微观和宏观两个层面对异质图的内在结构直接进行卷积：微观层级卷积用于学习同一关系内节点的重要性，宏观层级卷积用于区分不同关系间的细微差异。该混合策略使 HGConv 能够充分利用异质信息并具备恰当的可解释性。此外，设计了一种加权残差连接，以自适应地聚合焦点节点自身的固有属性和邻居信息。在多种任务上的大量实验不仅证明了 HGConv 相对于现有方法的优越性，也展示了我们方法用于图分析的直观可解释性。