图神经网络中的异构图嵌入.docxVIP

图神经网络中的异构图嵌入

一、引言

作为专门处理非欧几里得图结构数据的机器学习技术，图神经网络的核心价值在于能够通过节点之间的消息传递，捕捉网络中的复杂关联规律，其对图结构数据的建模优势最早得到系统性论证（Gori等，2005），后续随着图卷积网络、图注意力网络等经典模型的提出，图神经网络在节点分类、链路预测、图分类等任务上的性能逐步超越传统方法，成为图数据建模的主流技术框架（Kipf等，2017）。但这类经典模型大多基于同构图的强假设，即图中所有节点和边都属于同一类型、共享统一的特征空间与连接规律，这一假设和真实世界的图数据特征存在明显错位。有统计显示，现实场景中超过八成的图数据天然带有多类型节点与多类型关系的异质属性，传统同构图建模方法仅能覆盖不足两成的真实图数据建模需求（石川等，2021），直接将同构图模型应用在异质数据上会导致严重的语义信息丢失，在包含三种以上节点类型的公开学术网络数据集上，未经改造的同构图卷积模型在链路预测任务上的性能会下降三成以上（Wang等，2019）。

为了解决同构图模型在异质数据上的适配问题，异构图嵌入方向逐步成为图神经网络领域的研究热点。这类方法专门针对包含多类型节点、多类型边的异质图数据设计，目标是在保留图核心结构关联的基础上，充分融合不同类型单元背后的语义差异，将高维稀疏的异质图信息映射到低维稠密的统一向量空间，为各类下游任务提供高质量的特征