符号图注意力网络

图或网络数据在现实世界中无处不在，包括社交网络、信息网络、交通网络、生物网络以及各种技术网络。图数据的非欧几里得性质给建模和分析图数据带来了挑战。近年来，图神经网络（Graph Neural Network, GNN）被提出作为一种通用且强大的框架来处理图数据上的任务，例如节点嵌入、链接预测和节点分类。作为 GNN 的代表性实现，图注意力网络（Graph Attention Networks, GAT）已成功应用于真实数据集上的多种任务。然而，GAT 是为仅含正链接的网络设计的，无法处理同时包含正链接和负链接的符号网络。本文提出符号图注意力网络（Signed Graph Attention Networks, SiGAT），将 GAT 推广到符号网络。SiGAT 将图模体（graph motifs）引入 GAT，以捕捉符号网络研究中两个著名理论，即平衡理论和地位理论。在 SiGAT 中，模体为我们提供了灵活的结构模式，用于在符号网络上聚合和传播消息以生成节点嵌入。我们通过将所提出的 SiGAT 方法应用于符号链接预测任务来评估其性能。在三个真实数据集上的实验结果表明，SiGAT 优于基于特征的方法、网络嵌入方法以及最先进的基于 GNN 的方法（如符号图卷积网络 SGCN）。