摘要

异构图神经网络（Heterogeneous Graph Neural Networks, HGNNs）是用于异构图深度学习的强大工具。典型的HGNN在训练过程中需要反复进行消息传递，这限制了其在大规模现实世界图上的效率。最近，基于预计算的HGNN通过一次性消息传递将异构图转换为规则形状的张量，从而实现了高效的迷你批次训练。现有的基于预计算的HGNN主要可以分为两类，它们在允许的信息损失程度和效率上有所不同。我们提出了一种混合预计算HGNN，命名为随机投影异构图神经网络（Random Projection Heterogeneous Graph Neural Network, RpHGNN），该方法结合了一类风格的高效性和另一类风格的低信息损失优势。为了提高效率，RpHGNN的主要框架由传播-更新迭代组成，在此过程中引入了随机投影压缩步骤，以确保复杂度仅线性增加。为了减少信息损失，我们引入了关系感知邻居收集组件和偶奇传播方案（Even-odd Propagation Scheme），旨在以更细粒度的方式从邻居中收集信息。实验结果表明，我们的方法在七个大小不同的基准数据集上达到了最先进的性能，同时比最有效的基线方法快230%。令人惊讶的是，我们的方法不仅超越了基于预处理的基线方法，还优于端到端的方法。