【论文解读|WWW2021】HGNN-AC - Heterogeneous Graph Neural Network via Attribute Completion

本方法也可以看做是一种图结构学习方法
另一篇 HGSL

摘要

异构信息网络(Heterogeneous information network, HINs)又称异构图(Heterogeneous graph)，由多种类型的节点和边组成，信息丰富，语义丰富。图神经网络(GNN)作为一种强大的图数据分析工具，在网络分析方面表现出了优越的性能。近年来，人们提出了许多利用GNN处理异图数据的优秀模型，并取得了很大的成功。这些基于GNN的异构模型可以解释为基于图结构引导的平滑节点属性，这要求所有节点都具有属性。然而，这并不容易满足，因为在异构图中，某些类型的节点通常没有属性。以往的研究采用了一些手工方法来解决这一问题，将属性补全与图的学习过程分离开来，导致性能较差。本文提出了一种基于属性补全(Attribute Completion, HGNN-AC)的异构图神经网络的总体框架，包括拓扑嵌入的预学习和带有注意机制的属性补全。HGNN-AC首先利用现有的HIN-Embedding方法获得节点的拓扑嵌入。然后以节点之间的拓扑关系为指导，通过加权聚合这些有属性节点的属性来完成无属性节点的属性。我们的补充机制可以很容易地与任意的基于GNN的异构模型相结合，使整个系统端到端。我们对三个真实世界的异类图进行了广泛的实验。