强化邻域选择引导的多关系图神经网络

图神经网络（GNNs）已被广泛用于各种结构化图数据的表示学习。尽管前景广阔，现有大多数 GNN 过度简化了图中边的复杂性与多样性，因而难以有效处理普遍存在的异质图，其通常表现为多关系图表示。本文提出 RioGNN，一种新颖的、强化的、递归且灵活的邻域选择引导多关系图神经网络架构，以在保持关系依赖表示的同时驾驭神经网络结构的复杂性。我们首先根据实际问题构建多关系图，以反映节点、边、属性和标签的异质性。为避免不同类型节点间的嵌入过度同化，我们采用标签感知的神经相似性度量，基于节点属性确定最相似邻居。我们开发了强化关系感知邻居选择机制，在聚合来自不同关系的所有邻域信息以获得最终节点嵌入之前，在某一关系内选择目标节点的最相似邻居。特别地，为提高邻居选择效率，我们提出了一种新的递归且可扩展的强化学习框架，对不同规模的多关系图具有可估计的深度与宽度。由于通过过滤阈值机制识别各关系的个体重要性，RioGNN 可学习更具判别性的节点嵌入并增强可解释性。在真实图数据与实用任务上的综合实验证明了其在有效性、效率和模型可解释性上相对于其他对比 GNN 模型的优越性。