元多图搜索：重新思考异构信息网络上的元结构

元结构被广泛用于定义异构信息网络（HINs）中聚合信息的邻居子集。在本工作中，我们研究现有的元结构，包括元路径和元图，并观察到它们最初是以固定模式手动设计的，因此不足以编码多样化 HINs 上丰富的语义信息。通过对它们局限性的反思，我们定义了一个称为元多图的新概念，作为元图更具表达力和灵活性的推广，并提出了一种稳定的可微搜索方法，以针对特定 HINs 和任务自动优化元多图。由于元多图的灵活性可能传播冗余消息，我们进一步引入了从复杂到简洁（C2C）的元多图，沿元多图深度从复杂向简洁传播消息。此外，我们观察到可微搜索通常面临搜索不稳定以及搜索与评价中元结构存在显著差距的问题。为此，我们提出了一种渐进式搜索算法，通过隐式缩小搜索空间来提高搜索稳定性并减少不一致性。我们在六个中等规模基准数据集和一个大规模基准数据集上，针对节点分类和推荐两个代表性任务进行了大量实验。实证结果表明，我们的搜索方法能够自动发现具有表达力的元多图和 C2C 元多图，使我们的模型优于最先进的异构图神经网络。