MAGNN: Метапатч-агрегирующая графовая нейронная сеть для встраивания гетерогенных графов

Многие реальные графы или сети по своей природе гетерогенны и включают разнообразие типов узлов и типов связей. Встраивание гетерогенного графа направлено на кодирование богатой структурной и семантической информации гетерогенного графа в низкоразмерные представления узлов. Существующие модели обычно определяют несколько метапутей (metapaths) в гетерогенном графе для захвата составных отношений и руководства выбором соседей. Однако эти модели либо опускают признаки содержимого узлов, либо отбрасывают промежуточные узлы вдоль метапути, либо рассматривают только один метапуть. Чтобы устранить эти три ограничения, мы предлагаем новую модель Metapath Aggregated Graph Neural Network (MAGNN) для повышения итоговой точности. Конкретно, MAGNN использует три основных компонента: преобразование содержимого узла для инкапсуляции входных атрибутов узлов, внутриметапутевую агрегацию для включения промежуточных семантических узлов и межметапутевую агрегацию для объединения сообщений от нескольких метапутей. Обширные эксперименты на трех реальных наборах данных гетерогенных графов для задач классификации узлов, кластеризации узлов и предсказания связей показывают, что MAGNN обеспечивает более точные результаты предсказания по сравнению с современными базовыми методами.