基于元路径卷积的异构图神经网络算法

现有异构图嵌入方法在多层图卷积计算中，通常将每个节点表示为单个向量，使得高阶图卷积层无法区分不同关系和顺序的信息，导致信息在传递过程中丢失。为解决该问题，提出了基于元路径卷积的异构图神经网络算法。该方法首先利用特征转换自适应调整节点特征；其次，设计了元路径内卷积挖掘节点高阶间接关系，捕获目标节点在单元路径下与其他类型节点之间的交互关系；最后，通过自注意力机制探索语义之间的相互性，融合来自不同元路径的特征。在ACM、IMDB和DBLP数据集上进行广泛实验，并与当前主流算法进行对比分析。实验结果显示，节点分类任务中Macro-F1平均提高0.5%～3.5%，节点聚类任务中ARI值提高了1%～3%，证明该算法是有效、可行的。