https://doi.org/10.1145/3459637.3482485

由多种类型的节点和链接组成的异质图 (HG) 可以表征各种现实世界中的复杂系统。最近，异质图神经网络（HGNNs）作为一种强大的图表示方法来聚合异质结构和属性信息，赢得了很多关注。尽管 HGNNs 捕获丰富语义的能力可以揭示节点不同方面，但它们仍然停留在简单地利用结构特征的粗粒度级别。事实上，节点丰富的非结构化文本内容也承载着由多方面主题感知因素所产生的潜在但更细粒度的语义，这从根本上体现了不同类型的节点会进行链接并形成特定的异质结构的原因。然而，很少有人致力于对它们进行区分。 在本文中，我们提出了一个用于链接预测的主题感知异质图神经网络，命名为 THGNN，来层次性地挖掘主题感知语义并用于学习 HGs 中链接预测的多方面节点表示。具体来说，我们的模型主要应用了一种交替的两步聚合机制，包括元路径内分解和元路径间合并，可以根据所推断的主题感知因素有区分性地聚合丰富的异质信息，从而保留层次性语义。此外，还设计了一个主题先验指导模块，从而依靠来自 HGs 中非结构化文本内容的全局知识来保持多方面主题感知表示的质量，这有助于同时提高性能和可解释性。在三个真实世界的 HGs上的实验结果表明，我们提出的模型在链接预测任务中可以有效地优于最先进的方法，并展示了学习的多方面主题感知表示的潜在可解释性。