基于元路径的异构图神经网络研究综述.docVIP

基于元路径的异构图神经网络研究综述

异构图作为现实世界中最普遍的图数据形式之一，天然包含多种类型的节点与边，能够精准刻画社交网络、电商系统、生物医疗网络等复杂场景的多元关联关系。相较于同构图仅能表征单一类型实体的交互，异构图的语义丰富性使其在实际应用中具备不可替代的价值，但也为图表示学习带来了额外挑战：传统同构图神经网络无法直接适配异构图的类型异质性，也难以捕捉不同类型边隐含的复杂语义关联。元路径作为异构图中连接不同类型节点的语义路径，能够显式建模特定业务场景下的关联逻辑，其与图神经网络的结合为异构图表示学习提供了重要解决方案，相关研究已成为数据挖掘领域的热点方向。

元路径的核心语义建模与构造方法

元路径的本质是对异构图中节点间关联模式的抽象，其形式化定义为节点类型-边类型交替的序列，例如学术异构图中的“作者-论文-作者”（APA）元路径表征共同作者关系，“作者-论文-会议-论文-作者”（APCPA）元路径表征在同一会议发表论文的同行关联。元路径的语义表达能力由路径长度、涉及的节点与边类型共同决定，短元路径通常对应直接关联，长元路径则能捕捉更复杂的间接语义。实际应用中，元路径的构造分为人工定义与自动生成两类范式：早期研究大多依赖领域专家人工设计元路径，该方式能保证路径与业务场景的适配性，但在节点类型超过10种的复杂异构图中，人工枚举所有有效元路径的时间成本呈指数级增长，且高度依赖专