摘要

现实世界中的大量图结构或网络本质上具有异质性，包含多种类型的节点和关系类型。异质图嵌入旨在将异质图中丰富的结构与语义信息编码为低维的节点表示。现有的模型通常在异质图中定义多种元路径（metapath），以捕捉复合关系并指导邻居节点的选择。然而，这些模型普遍存在三个局限性：忽略节点内容特征、丢弃元路径中的中间节点，或仅考虑单一元路径。为解决上述三个问题，本文提出一种新型模型——元路径聚合图神经网络（Metapath Aggregated Graph Neural Network, MAGNN），以提升最终性能。具体而言，MAGNN包含三个核心组件：节点内容变换模块，用于整合输入节点的属性特征；元路径内聚合模块，用于引入元路径中中间语义节点的信息；元路径间聚合模块，用于融合来自多条元路径的消息。在三个真实世界异质图数据集上进行的大量实验表明，针对节点分类、节点聚类和链接预测任务，MAGNN均显著优于当前最先进的基线模型，取得了更精确的预测结果。