SynHING: 用于图学习与解释的合成异质信息网络生成

图神经网络（GNN）在描绘从社区分析到推荐系统等不同领域的图结构方面表现出色。随着GNN可解释性变得日益重要，对鲁棒基线和广泛图数据集的需求愈发突出，尤其是在异质信息网络（HIN）的背景下。针对这一问题，我们引入了SynHING，一个旨在增强图学习和解释的合成异质信息网络生成新框架。SynHING系统地识别目标HIN中的主要模体，并采用自底向上的生成过程，包含簇内和簇间合并模块。这一过程辅以后剪枝技术，确保合成HIN紧密反映原始图的结构和统计特性。至关重要的是，SynHING为评估GNN解释器模型提供了真实模体，为可解释的合成HIN生成设立了新标准，并为复杂网络中可解释机器学习的发展做出了贡献。