西电TKDE 2021 | 可自动发现元路径的异质图神经网络

西电TKDE 2021 | 可自动发现元路径的异质图神经网络

作者 | 杨亚明，管子玉，李建新

赵伟，崔江涛，王泉

单位 | 西安电子科技大学

代码地址：https://github.com/kepsail/ie-HGCN

1 引言

目前面向异质图的图卷积神经网络普遍存在两个重要的不足：

（1）大部分已有工作依赖用户人工输入一系列任务相关的元路径（Meta-path），这对于没有专业知识的用户来说是困难的。换句话说，已有方法无法有效地、灵活地从所有可能的元路径中自动挖掘出针对某个任务的最优元路径，这阻碍了模型的有效性和可解释性；

（2）大部分已有方法在执行图卷积之前都需要执行额外的、耗时的预处理操作，这显著增加了模型的时间复杂度，限制了模型的伸缩性。为了解决上述两个问题，该论文提出了高效且可解释的异质图卷积神经网络ie-HGCN，其包含了投影，对象级聚合，类型级聚合三个关键步骤。该模型可以端到端地自动评估所有可能的元路径的重要性，在粗粒度和细粒度两个层面上发现对于当前任务最优的元路径。而且，提出的两层聚合架构也可以避免额外的预处理操作，从而降低了模型的时间复杂度。

论文从理论上证明了ie-HGCN自动发现元路径的能力，分析了其与谱图卷积的联系，分析了其近似线性的时间复杂度。在四个真实网络数据集上的实验结果显示，ie-HGCN不仅能够取得优越的性能，而且可以有效地发现元路径。

2 方法

下图通过在DBLP上的一个模型实例展示了方法的基本流程。如左侧子图（a）所示，模型一共包含5层。在每一层，针对某个对象类型，都将其异质邻居的特征聚合过来（实线），同时也将其自身的上一层的特征聚合过来（虚线）。右侧子图（b）展示了针对P（Paper）类型对象的计算过程：（1）自身/邻居的特征投影；（2）利用归一化邻接矩阵聚合；（3）利用注意力聚合。

西电TKDE 2021 | 可自动发现元路径的异质图神经网络

作者 | 杨亚明，管子玉，李建新

赵伟，崔江涛，王泉

单位 | 西安电子科技大学

代码地址：https://github.com/kepsail/ie-HGCN

1 引言

目前面向异质图的图卷积神经网络普遍存在两个重要的不足：

（1）大部分已有工作依赖用户人工输入一系列任务相关的元路径（Meta-path），这对于没有专业知识的用户来说是困难的。换句话说，已有方法无法有效地、灵活地从所有可能的元路径中自动挖掘出针对某个任务的最优元路径，这阻碍了模型的有效性和可解释性；

（2）大部分已有方法在执行图卷积之前都需要执行额外的、耗时的预处理操作，这显著增加了模型的时间复杂度，限制了模型的伸缩性。为了解决上述两个问题，该论文提出了高效且可解释的异质图卷积神经网络ie-HGCN，其包含了投影，对象级聚合，类型级聚合三个关键步骤。该模型可以端到端地自动评估所有可能的元路径的重要性，在粗粒度和细粒度两个层面上发现对于当前任务最优的元路径。而且，提出的两层聚合架构也可以避免额外的预处理操作，从而降低了模型的时间复杂度。

论文从理论上证明了ie-HGCN自动发现元路径的能力，分析了其与谱图卷积的联系，分析了其近似线性的时间复杂度。在四个真实网络数据集上的实验结果显示，ie-HGCN不仅能够取得优越的性能，而且可以有效地发现元路径。

2 方法

下图通过在DBLP上的一个模型实例展示了方法的基本流程。如左侧子图（a）所示，模型一共包含5层。在每一层，针对某个对象类型，都将其异质邻居的特征聚合过来（实线），同时也将其自身的上一层的特征聚合过来（虚线）。右侧子图（b）展示了针对P（Paper）类型对象的计算过程：（1）自身/邻居的特征投影；（2）利用归一化邻接矩阵聚合；（3）利用注意力聚合。

寿喜烧西部片 http://www.cityruyi.com/lm-4/lm-1/11201.html