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:

image-20220309182244290

实验了三个具体的方法

  • Mean:

  • Linear Mean:

image-20220309182100917

  • 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。

image-20220309182403668

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: