SHGNN：结构感知异质图神经网络
社会与信息网络
2021-12-15 v2 机器学习
摘要
许多真实世界的图（网络）是异质的，具有不同类型的节点和边。异质图嵌入旨在学习异质图的低维节点表示，对各种下游应用至关重要。近年来，许多基于元路径的嵌入方法被提出以学习异质图的语义信息。然而，现有大多数技术在学异质图嵌入时忽略了图结构信息。本文提出一种新颖的结构感知异质图神经网络（SHGNN）以解决上述局限。具体而言，我们首先利用特征传播模块捕获元路径中中间节点的局部结构信息。接下来，我们使用树注意力聚合器将图结构信息纳入元路径上的聚合模块。最后，我们利用元路径聚合器融合从不同元路径聚合的信息。我们在节点分类和聚类任务上进行了实验，并在基准数据集上取得了最先进的结果，显示了我们所提方法的有效性。
引用
@article{arxiv.2112.06244,
title = {SHGNN: Structure-Aware Heterogeneous Graph Neural Network},
author = {Wentao Xu and Yingce Xia and Weiqing Liu and Jiang Bian and Jian Yin and Tie-Yan Liu},
journal= {arXiv preprint arXiv:2112.06244},
year = {2021}
}