.png){kind=icon}
返回
A relation classification and aggregation algorithm for bipartite-type multi-relational heterogeneous graphs
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122687.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有异构图神经网络（HGNNs）适用于多目标且单关系的异构图，无法有效应用于具有多重关系的双类型多关系异构图（BMHGs）。同时，基于元路径的现有HGNNs在聚合过程中无法充分考量元路径间的差异，而这种差异在BMHGs中更为突出。主要表现为不同元关系路径连接的邻居节点数量差异显著，导致部分路径携带过多噪声信息，影响算法性能。为解决BMHG中复杂关系及路径间邻居数量显著不均衡的问题，本文提出一种适用于双类型多关系异构图的关联分类与聚合算法（RCAA-BMHG）。该算法由三个模块构成：同类型聚合模块、跨类型聚合模块和跨类别特征聚合层，用于对双类型多关系异构图中节点间不同类型的关联信息进行差异化处理。具体而言，同类型聚合模块首先引入同类型节点关联过滤器，以区分密集耦合路径与稀疏耦合路径，随后采用全局平均策略与自适应权重分配方法聚合两类耦合路径的信息。跨类型聚合模块通过跨类型节点关联过滤器进行筛选，并利用加权求和机制与邻域特征传播技术聚合两类耦合路径的信息。最终，RCAA-BMHG采用类别级注意力机制融合同类型与跨类型的语义及特征信息，生成下游任务的最终节点嵌入。实验验证表明，RCAA-BMHG在处理复杂异构图数据时不仅能执行特征聚合与分类任务，且在多个评估指标上显著优于现有HGNNs算法。完整可复现的代码与数据已发布于：https://github.com/Dylanwsd24/RCAA-BMHG。
Keyword:
Heterogeneous graph neural networks
Meta-relation path
Graph embedding
Graph representation learning
期刊
IF:
6.8
论文数:
540
被引数:
6.2W
机构
暂无机构信息
引用论文
DynHEN: A heterogeneous network model for dynamic bipartite graph representation learning.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Learning Knowledge Graph Embedding With Heterogeneous Relation Attention Networks基于异质关系注意网络的学习知识图谱嵌入
PREAI
分享收藏MECCH: Metapath Context Convolution-based Heterogeneous Graph Neural NetworksMECCH: 基于元路径上下文卷积的异构图神经网络NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏LSPI: Heterogeneous graph neural network classification aggregation algorithm based on size neighbor path identificationLSPI：基于尺寸邻居路径识别的异构图神经网络分类聚合算法OAAI
OAAI分享收藏Semantic and relation aware neural network model for bi-class multi-relational heterogeneous graphs用于二分类多关系异构图且具备语义和关系感知功能的神经网络模型ISCIENCEOAAI
ISCIENCEIF4.1
OAAI分享收藏
查看更多内容