基于尺度邻居路径识别的异构图神经网络分类聚合算法 LSPI
机器学习
2024-06-03 v2
摘要
现有的异构图神经网络算法( HGNNs)大多依赖元路径来捕捉异构图中所谓异构信息网络(HINs)所包含的丰富语义信息，但这些 HGNNs大多关注于不同的特征聚合方式，忽略了元路径本身的属性。本文研究了三个常用数据集中的元路径，发现不同元路径所连接的邻居数量存在巨大差异。同时，大邻居路径中包含的噪声信息会对模型性能产生不利影响。因此，本文提出了一种基于大小邻居路径识别的异构图神经网络分类聚合算法 LSPI。LSPI 首先通过路径判别器将元路径划分为大邻居路径和小邻居路径；为减少大邻居路径中噪声干扰问题，LSPI 从拓扑和特征两个角度选择具有更高相似性的邻居节点，并通过不同的图卷积组件传递小邻居路径和筛选后的大邻居路径。进行子图级别注意力聚合，以获得不同子图下的特征信息，然后通过子图级别注意力融合不同子图下的特征信息以生成最终的节点嵌入。最后，本文通过大量实验验证了该方法的优越性，并通过实验给出在大邻居路径中保留的节点数量的建议。完整可重复的代码和数据已发布于：https://github.com/liuhua811/LSPIA。
引用
@article{arxiv.2405.18933,
title = {LSPI: Heterogeneous Graph Neural Network Classification Aggregation Algorithm Based on Size Neighbor Path Identification},
author = {Yufei Zhao and Shiduo Wang and Hua Duan},
journal= {arXiv preprint arXiv:2405.18933},
year = {2024}
}