摘要

我们研究了在异质图上应用图神经网络的问题。一些现有的方法通过多跳邻居扩展节点的邻域，以包含更多具有同质性的节点。然而，为不同节点设置个性化的邻域大小是一个重大挑战。此外，对于被排除在邻域之外的其他同质节点，它们在信息聚合过程中被忽略。为了解决这些问题，我们提出了两种模型：GloGNN 和 GloGNN++，这两种模型通过从图中的全局节点聚合信息来生成节点的嵌入向量。在每一层中，这两种模型都学习一个系数矩阵来捕捉节点之间的相关性，基于此进行邻域聚合。该系数矩阵允许有符号值，并且是从一个具有闭式解的优化问题中推导出来的。我们进一步加速了邻域聚合过程，并推导出线性时间复杂度。我们从理论上解释了这些模型的有效性，证明了系数矩阵和生成的节点嵌入矩阵都具有所需的分组效果。我们在多个领域的15个基准数据集上进行了广泛的实验，将我们的模型与11种其他竞争对手进行了对比。实验结果表明，我们的方法不仅性能优越，而且非常高效。