摘要

图神经网络（Graph Neural Networks, GNNs）已被广泛应用于各类结构化图数据的表示学习。尽管前景广阔，现有大多数GNN模型在处理图中边的复杂性与多样性方面仍存在过度简化的缺陷，因而难以高效应对广泛存在的异构图数据——这类图通常以多关系图（multi-relational graph）的形式呈现。本文提出一种新型的RioGNN（Reinforced, recursive, and flexible neighbor selection guided multi-relational Graph Neural Network）架构，旨在在保持关系依赖性表示的同时，有效应对神经网络结构的复杂性。我们首先根据具体任务构建多关系图，以充分反映节点、边、属性及标签的异质性。为避免不同类型节点之间的嵌入过度同化，引入一种标签感知的神经相似性度量方法，基于节点属性识别出最相似的邻居。在此基础上，设计了一种强化的关系感知邻居选择机制，在聚合来自不同关系的邻域信息之前，先针对目标节点在每种关系内筛选出最相似的邻居，从而实现更精准的信息融合。特别地，为提升邻居选择的效率，本文提出一种新型的递归且可扩展的强化学习框架，该框架具备可估计的深度与宽度，能够适应不同规模的多关系图。得益于过滤阈值机制对各关系个体重要性的识别，RioGNN能够学习到更具区分性的节点嵌入，同时显著增强模型的可解释性。在真实世界图数据与实际任务上的大量实验表明，相较于其他对比GNN模型，RioGNN在有效性、效率及模型可解释性方面均展现出显著优势，充分验证了其先进性与实用性。