摘要

图神经网络（GNNs）在同质图上表现出色，即边倾向于连接相同类型的节点的图。然而，在异质图上实现一致的GNN性能仍然是一个开放的研究问题。近期的研究提出了一些扩展标准GNN架构的方法，以提高其在异质图上的表现，这些方法通过牺牲模型的简洁性来换取预测准确性。然而，这些模型未能捕捉到一些基本的图属性，如邻域标签分布，而这些属性对于学习过程至关重要。本文中，我们提出了适用于异质和同质场景的简单且有效的GNN架构——GCN用于异质性（GCNH）。GCNH为每个节点及其邻居学习并结合独立表示，并在每一层使用一个学习到的重要性系数来平衡中心节点和邻域的贡献。我们对八个真实世界的图以及一系列具有不同异质程度的合成图进行了广泛的实验，以展示GCNH的设计选择如何显著改善了传统GCN的表现。此外，在八个基准测试中的四个上，GCNH的表现优于复杂度更高的最先进模型，而在其余数据集上则产生了相当的结果。最后，我们讨论并分析了GCNH较低的复杂度，这导致其可训练参数较少且训练时间更快，并展示了GCNH如何缓解过度平滑问题。