注意力融合机制和拓扑关系挖掘的异构图神经网络.pdfVIP

第５３卷第１期福州大学学报(自然科学版)Ｖｏｌ.５３Ｎｏ.１

２０２５年２月ＪｏｕｒｎａｌｏｆＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ)Ｆｅｂ.２０２５

－－－－

ＤＯＩ:１０.７６３１/ｉｓｓｎ.１０００２２４３.２４０１９文章编号:１０００２２４３(２０２５)０１０００１０９

注意力融合机制和拓扑关系挖掘的异构图神经网络

陈金杰ꎬ王一蕾ꎬ傅仰耿

(福州大学计算机与大数据学院ꎬ福建福州３５０１０８)

摘要:针对异构图神经网络模型依赖元路径和复杂聚合操作导致元路径受限与高成本的不足ꎬ提出一种基于

注意力融合机制和拓扑关系挖掘的异构图神经网络模型(ＦＴＨＧＮＮ).该模型首先使用一种轻量级的注意力融

合机制ꎬ融合全局关系信息和局部节点信息ꎬ以较低的时空开销实现更有效的消息聚合ꎻ接着使用一种无需先

验知识的拓扑关系挖掘方法替代元路径方法ꎬ挖掘图上的高阶邻居关系ꎬ并引入对比学习捕获图上的高阶语

义信息ꎻ最后ꎬ在４个广泛使用的现实世界异构图数据集上进行的充分实验ꎬ验证了ＦＴＨＧＮＮ简单而高效ꎬ在

分类预测准确率上超越了绝大多数现有模型.

关键词:图神经网络ꎻ异构图ꎻ注意力机制ꎻ对比学习

中图分类号:ＴＰ３９１.４文献标识码:Ａ

Ｈｅｔｅｒｏｇｅｎｅｏｕｓｇｒａｐｈｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｏｎａｔｔｅｎｔｉｏｎｆｕｓｅｄｍｅｃｈａｎｉｓｍｓ

ａｎｄｔｏｐｏｌｏｇｙｒｅｌａｔｉｏｎｍｉｎｉｎｇ

ＣＨＥＮＪｉｎｊｉｅꎬＷＡＮＧＹｉｌｅｉꎬＦＵＹａｎｇｇｅｎｇ

(ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒａｎｄＤａｔａＳｃｉｅｎｃｅꎬＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙꎬＦｕｚｈｏｕꎬＦｕｊｉａｎ３５０１０８ꎬＣｈｉｎａ)

Ａｂｓｔｒａｃｔ:Ａｉｍｉｎｇａｔｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｈｅｔｅｒｏｇｅｎｅｏｕｓｇｒａｐｈｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｓꎬｓｕｃｈａｓｒｅｌｉａｎｃｅ

ｏｎｍｅｔａ￣ｐａｔｈｓａｎｄｃｏｍｐｌｅｘａｇｇｒｅｇａｔｉｏｎｏｐｅｒａｔｉｏｎｓꎬｗｈｉｃｈｌｅａｄｔｏｌｉｍｉｔｅｄｍｅｔａ￣ｐａｔｈｓａｎｄｈｉｇｈｃｏｓｔｓꎬａ

ｆｕｓｅｄａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｈｅｔｅｒｏｇｅｎｅｏｕｓ￣ｂａｓｅｄｇｒａｐｈｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ(ＦＴＨＧＮＮ)ａｎｄｔｏｐｏｌｏｇｉ￣

ｃａｌｒｅｌａｔｉｏｎｍｉｎｉｎｇｉｓｐｒｏｐｏｓｅｄ.Ｔｈｅａｔｔｅｎｔｉｏｎｆｕｓｅｄｍｅｃｈａｎｉｓｍｓｉｎｔｅｇｒａｔｅｇｌｏｂａｌｒｅｌａｔｉｏｎｓｈｉｐａｎｄｌｏｃａｌ

ｎｏｄｅｉｎｆｏｒｍａｔｉｏｎｔｏａｃｈｉｅｖｅｍｏｒｅｅｆｆｅｃｔｉｖｅｍｅｓｓａｇｅａｇｇｒｅｇａｔｉｏｎｗｉｔｈｌｏｗｅｒｃｏｍｐｕｔａｔｉｏｎａｌｃｏｓｔ.Ｓｕｂｓｅ￣

ｑｕｅｎｔｌｙꎬａｔｏｐｏｌｏｇｙｒｅｌａｔｉｏｎｍｉｎｉｎｇｍｅｔｈｏｄｔｈａｔｒｅｑｕｉｒｅｓｎｏｐｒｉｏｒｋｎｏｗｌｅｄｇｅｉｓｅｍｐｌｏｙｅｄｔｏｒｅｐｌａｃｅｔｈｅ

ｍｅｔａ￣ｐａｔｈｂａｓｅｄｍｅｔｈｏｄꎬｅｎａｂｌｉｎｇｔｈｅｍｉｎｉｎｇｏｆｈｉｇｈ￣ｏｒｄｅｒｎｅｉｇｈｂｏｒｒｅｌａｔｉｏｎｓｈｉｐｓ.Ｃｏｎｔｒａｓｔｉｖｅｌｅａｒｎｉｎｇ

ｉｓｉｎｔｒｏｄｕｃｅｄｔｏｃａｐｔｕｒｅｈｉｇｈ￣ｏｒｄｅｒｓｅｍａｎｔｉｃｉｎｆｏ