论文笔记之Heterogeneous Graph Attention Network
一、本文贡献
- 提出了一种基于分层注意的异构图神经网络(HAN),包括节点级和语义级注意,同时考虑了节点和元路径的重要性,并具有较高的效率。
- 该算法在异构图分析中具有良好的可解释性。
Note:异构性是异构图的内在属性,即具有各种类型的节点和边。不同类型的节点具有不同的特征,其特征可能落在不同的特征空间中。
二、主要方法
-
节点级注意:
节点级注意的目的是了解基于元路径的邻居节点的重要性,并为它们分配不同的注意值。节点级注意可以保持非对称性,这是异质图的一个重要特性。 -
语义级注意:
语义级注意的目的是学习不同元路径的权重。异构图中不同的元路径能够表达不同的语义信息。
元路径是连接两个对象的复合关系,是一种广泛使用的捕获语义的结构。根据元路径的不同,异构图中节点之间的关系可能具有不同的语义。 -
HAN过程:
a) 首先将输入中不同类型的节点特征使用特定类型的转换矩阵,映射 到到同一空间中。
b) 接着使用节点级注意,学习节点与其基于元路径的邻居节点之间的注意值。
c) 然后使用