基于元路径的关系选择图神经网络.pdf

基于元路径的关系选择图神经网络 本文提出了一种基于元路径的关系选择图神经网络（MRSGNN），旨在解决异质图嵌入模型中的元路径独立假设问题。该模型首先将异质图转换为基于元路径的多关系图，然后使用关系选择图卷积层在多关系图上聚合邻居信息，以建立元路径间的全局相关性。同时，模型还结合关系选择模块对多关系下的邻居信息进行筛选，以区分各关系的重要性。 MRSGNN模型在三个公开异质图数据集上的节点分类任务中分别取得了94%、92%和61%的预测准确率，均高于最新的基准模型。 关键词：异质图、异质图嵌入、元路径、图神经网络、多关系、关系选择 MRSGNN模型的提出是为了解决异质图嵌入模型中的元路径独立假设问题。在异质图中，节点类型和边类型不唯一，使得其具有丰富的语义信息和异质结构信息。异质图嵌入模型通常借鉴同质图嵌入的思想，将图上的节点表示为低维稠密的向量，同时保留图中的异质结构信息和语义信息，以更好地服务于下游任务中。 现有的异质图嵌入模型多依赖元路径，一种定义在异质图上的高阶关系，以捕获图中的异质结构信息和语义信息。早期的异质图嵌入模型通过元路径来指导图上的随机游走过程，并与DeepWalk结合生成节点嵌入。然而，这些模型只能利用一种元路径下的结构信息，而忽略了元路径之间的全局相关性。 为解决这个问题，MRSGNN模型使用关系选择图卷积层在多关系图上聚合邻居信息，以建立元路径间的全局相关性。同时，模型还结合关系选择模块对多关系下的邻居信息进行筛选，以区分各关系的重要性。 MRSGNN模型的优点在于它可以捕获元路径之间的全局相关性，而不是简单地聚合每个元路径下的结构信息。该模型可以更好地服务于异质图中的节点分类、节点聚类等下游任务中。 MRSGNN模型是一种基于元路径的关系选择图神经网络，旨在解决异质图嵌入模型中的元路径独立假设问题。该模型可以捕获元路径之间的全局相关性，并更好地服务于异质图中的下游任务中。