Seq-HGNN：在异质图上学习序列节点表示
机器学习
2023-08-15 v2
摘要
近年来，异质图神经网络（HGNNs）在信息检索（IR）应用中快速发展。许多现有HGNN设计多种定制图卷积来捕捉异质图中的结构与语义信息。然而，现有HGNN通常在多层图卷积计算中将每个节点表示为单一向量，这使得高层图卷积层无法区分来自不同关系与不同阶数的信息，导致消息传递中的信息丢失。为此，我们提出一种具有序列节点表示的新型异质图神经网络，即Seq-HGNN。为避免单一向量节点表示引起的信息丢失，我们首先设计序列节点表示学习机制，在节点消息传递中将每个节点表示为元路径表示的序列。随后我们提出异质表示融合模块，使Seq-HGNN能识别重要元路径并将其表示聚合成紧凑向量。我们在异质图基准（HGB）和开放图基准（OGB）的四个广泛使用数据集上进行了充分实验。实验结果表明，我们所提方法在准确率和效率上均优于最先进（SOTA）基线。源代码可见于https://github.com/nobrowning/SEQ_HGNN。
引用
@article{arxiv.2305.10771,
title = {Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph},
author = {Chenguang Du and Kaichun Yao and Hengshu Zhu and Deqing Wang and Fuzhen Zhuang and Hui Xiong},
journal= {arXiv preprint arXiv:2305.10771},
year = {2023}
}
备注
SIGIR 2023