基于多视图表示学习的语义感知异质图注意力网络

作     者：王静红 吴芝冰 王熙照 李昊康 

作者机构：河北师范大学计算机与网络空间安全学院 河北省网络与信息安全重点实验室 供应链大数据分析与数据安全河北省工程研究中心 深圳大学计算机与软件学院 河北工程技术学院人工智能与大数据学院 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 070104[理学-应用数学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：河北省高等学校科学技术研究项目(ZD2022139) 

主　　题：图神经网络 异质图 图表示学习 异质图嵌入 异质网络 

摘      要：近年来，图神经网络因其能够高效处理异质图中的复杂结构和丰富语义信息而受到了广泛的关注。学习异质图的低维节点嵌入，同时为节点分类、节点聚类等下游任务保留异质结构和语义，是一个关键且具有挑战性的问题。现有的研究主要基于元路径来设计模型，但这种方法至少面临两个局限性：（1）合适元路径的选择通常需要专家知识或额外的标注信息。（2）该方法限制了模型按预定义的模式学习，从而难以充分捕获网络的复杂性。针对这些问题，提出了一种多视图和语义感知的异质图注意力网络（multi-view and semantic-aware heterogeneous graph attention network， MS-HGANN），无需人工设计元路径，即可融合节点和关系中的丰富语义信息。MS-HGANN主要包括三个部分：特征映射、二阶特定视图自我图融合和语义感知。特征映射将特征映射到统一的节点特征空间；二阶特定视图自我图融合设计了特定关系的编码器和节点注意力学习节点在局部结构上的表示；语义感知设计了两种相互协调的注意力机制来评估节点和关系的重要性，从而得到最终的节点表示。在三个公开数据集上的实验结果表明，我们的模型在节点分类和聚类任务上达到了先进水平。