可解释且高效的异质图卷积网络
机器学习
2021-09-09 v3 社会与信息网络
机器学习
摘要
图卷积网络（GCN）在学习图中节点针对特定任务的有效表示方面取得了非凡成功。然而，对于异质信息网（HIN），现有面向HIN的GCN方法仍存在两方面的不足：（1）它们无法灵活探索所有可能的元路径并为目标对象提取最有用的那些，这阻碍了效果与可解释性；（2）它们常需生成基于中间元路径的稠密图，导致高计算复杂度。为解决上述问题，我们提出一种可解释且高效的异质图卷积网络（ie-HGCN）来学习HIN中对象的表示。其被设计为分层聚合架构，即先对象级聚合，再类型级聚合。该新颖架构可从所有可能元路径（在长度限制内）中自动为每个对象提取有用元路径，带来良好的模型可解释性。它还能通过避免中间HIN变换与邻域注意力来降低计算成本。我们从评估所有可能元路径的有用性、其与HIN上谱图卷积的联系以及其拟线性时间复杂度方面，对所提ie-HGCN提供理论分析。在三个真实网络数据集上的大量实验证明了ie-HGCN优于最先进方法的性能。
引用
@article{arxiv.2005.13183,
title = {Interpretable and Efficient Heterogeneous Graph Convolutional Network},
author = {Yaming Yang and Ziyu Guan and Jianxin Li and Wei Zhao and Jiangtao Cui and Quan Wang},
journal= {arXiv preprint arXiv:2005.13183},
year = {2021}
}
备注
This paper has been accepted by TKDE 2021