摘要

异构图在建模复杂数据时无处不在。为了有效支持重要应用，迫切需要强大的异构图神经网络。我们发现现有消息传递过程中存在一个潜在的语义混合问题，即尽管节点 $v$ 的邻居属于不同的类型，但这些邻居的表示仍被迫转换到节点 $v$ 的特征空间中进行聚合。也就是说，不同节点类型的语义被纠缠在一起，融入了节点 $v$ 的表示中。为了解决这一问题，我们提出了 SlotGAT，在槽位中分别进行消息传递过程，每个节点类型对应一个槽位，以保持其表示在其自身的节点类型特征空间中。此外，在基于槽位的消息传递层中，我们设计了一种注意力机制，用于有效的槽位内消息聚合。进一步地，我们在 SlotGAT 的最后一层之后开发了一种槽位注意力技术，以学习不同槽位在下游任务中的重要性。我们的分析表明，SlotGAT 中的槽位可以在各种特征空间中保留不同的语义。通过在 6 个数据集上对 13 种基线模型进行节点分类和链接预测任务的评估，验证了 SlotGAT 的优越性。我们的代码位于 https://github.com/scottjiao/SlotGAT_ICML23/。