基于关注度感知的多关系异构图嵌入方法

摘要

异构图嵌入旨在学习图中每个不同类型节点的一个低维向量表示，该向量能广泛应用于不同的网络分析任务，如节点分类、链路预测等。现有方法在处理异构图嵌入时存在丢失一些关键的、细粒度的关系信息以及对高阶邻居节点的处理不够精细等问题。针对这些问题，文中提出了一种关注度感知多关系异构图嵌入方法，具体而言，该方法通过添加带衰减的高阶共同邻居相似度矩阵到异构图神经网络来指导节点聚合，并学习节点间的重要性，该矩阵利用一个衰减指数来保证离当前节点跳数越近，对当前节点贡献越大。通过这种方式，该模型能有效地捕捉节点间关系。相比现存的图自适应关注度模型，该模型有更直观的可解释性。大量的实验证明文中所提模型优于现存的先进的基础模型。

关键词

关注度感知 / 图神经网络 / 异构图嵌入 / 相似度矩阵