MAGNN
MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding
看一下整体结构:
Motivation:
对于GNN,大部分的GNN假设graph是同质图,但是很多实际的graph都是异质图。
对于处理异质图的传统方法,是基于meta path的方法。但是这些基于meta path的方法存在几个缺点:
- The model does not leverage node content features, so it rarely performs well on heterogeneous graphs with rich node content features
- The model discards all intermediate nodes along the metapath by only considering two end nodes,模型不考虑meta path中的中间节点
- 模型只依赖于单个meta path,The model relies on a single metapath to embed the heterogeneous graph.
Method:
提出MAGNN。对于不同type的node,先是linear projection到统一feature space中。之后,经过下面几个步骤:
对于同一metapath下的节点,编码单个邻居信息:
实验了三个具体的方法
- Mean:
- Linear Mean:
- Relational rotation encoder:
模仿RotatE,可以建模metapath下的节点的序列信息,这一点区别于上面的方法。
Intra-metapath Aggregation
对于同一metapath下的节点,基于注意力聚合。
这里需要注意的是就是在计算注意力加入了target node embedding。
并且使用了多头注意力。
Inter-metapath Aggregation
计算在全局下,所有metapath的weight。首先对于不同type的node,相加相同mepath的embedding。需要注意的是,不是计算单个node的不同metapath。
计算注意力: