摘要

图神经网络（GNNs）是一类用于学习图结构数据的流行参数模型。近期的研究表明，GNNs 主要利用图进行特征平滑，并且通过仅对图平滑后的节点特征进行操作，而不是使用难以扩展到大规模图的端到端学习特征层次结构，在基准任务中展示了具有竞争力的结果。在本研究中，我们探讨这些结果是否可以推广到异质图，这类图编码了不同实体之间的多种关系类型。为此，我们提出了基于关系子图的邻居平均方法（NARS），该方法在“元图”（metagraph）的随机采样子图上训练一个分类器，使用邻居平均特征。我们描述了一些优化措施，以确保这些节点特征集在训练和推理过程中能够高效地计算。NARS 在多个基准数据集上达到了新的最先进水平，其性能优于更为昂贵的基于 GNN 的方法。