面向属性缺失与不准的异质信息网络的变分图自编码器

由各类节点与边构成的异质信息网络（HINs）近期在图挖掘中展现出优异性能。然而，多数现有异质图神经网络（HGNNs）忽视了节点的属性缺失、属性不准与标签稀缺问题，限制了其表达能力。本文提出一种生成式自监督模型 GraMI 以同时解决这些问题。具体而言，GraMI 首先以低维表征矩阵初始化图中所有节点。此后，基于变分图自编码器框架，GraMI 在编码器中学习节点级与属性级嵌入，可提供细粒度语义信息以构建节点属性。在解码器中，GraMI 重构连边与属性。GraMI 不为属性节点直接重构原始特征，而是为所有节点生成初始低维表征矩阵，并据此进一步重构属性节点的原始特征以利用准确属性。如此，GraMI 既能为无属性节点补全信息性特征，又能修正属性节点的不准特征。最后，我们开展广泛实验以证明 GraMI 在处理属性缺失与不准的 HINs 上的优越性。