MHNF：多跳异质邻域信息融合图表示学习
机器学习
2022-06-24 v2 人工智能
摘要
注意力机制使图神经网络（GNNs）能够学习目标节点与其一跳邻居之间的注意力权重，从而进一步提升性能。然而，大多数现有GNN面向同构图，且每一层只能聚合一跳邻居的信息。堆叠多层网络会引入大量噪声并易导致过平滑。我们在此提出一种多跳异质邻域信息融合图表示学习方法（MHNF）。具体而言，我们提出一种混合元路径自主提取模型，以高效提取多跳混合邻居。接着，我们构建跳级异质信息聚合模型，在同一混合元路径内有选择地聚合不同跳的邻域信息。最后，构建层次语义注意力融合模型（HSAF），可高效整合不同跳与不同路径的邻域信息。以此方式，本文解决了针对目标任务聚合多跳邻域信息并学习混合元路径的问题，缓解了人工指定元路径的局限。此外，HSAF可提取元路径内部节点信息并更好地整合不同层次存在的语义信息。在真实数据集上的实验结果表明，MHNF以仅1/10~1/100的参数与计算开销，取得了优于或媲美最先进基线的性能。我们的代码公开于https://github.com/PHD-lanyu/MHNF。
引用
@article{arxiv.2106.09289,
title = {MHNF: Multi-hop Heterogeneous Neighborhood information Fusion graph representation learning},
author = {Yundong Sun and Dongjie Zhu and Haiwen Du and Zhaoshuo Tian},
journal= {arXiv preprint arXiv:2106.09289},
year = {2022}
}
备注
update some content of the paper and polish the language!