第 21 届 IEEE 泛在智能与计算国际会议(UIC 2024)在斐济盛大举行。吸引了全球人

工智能领域的顶尖学者与专家汇聚一堂，共同探讨和展示最新的研究成果。iGraph 研究组的论文“Meta-path and Meta-schema Hierarchical Aggregation for Heterogeneous Graph Neural Networks”有幸可以在此会议上发表。

论文概述：随着近年来深度学习的发展，异构图神经网络（HGNNs）引起了诸多关注。它们是一组专门为处理异构图数据而设计的深度学习模型，在异构图数据中，节点和边具有多种类型，并且假定所有节点之间存在直接或间接的关联。元模式作为异构图全面且统一的蓝图，通过具有丰富语义的多条异构边，巧妙地将不同的节点类型与其他异构节点连接起来。然而，许多利用元模式挖掘异构信息的现有方法往往侧重于模式内部不同的元关系，这使得元模式仅限于描述局部关系语义。 

为了更好地利用元模式高效整合不同的异构信息，我们将它们组织成一种层次结构（即层次元模式），所有类型的节点分布在不同的层中。各层通过异构关系相互连接。目标类型被置于最后一层，而其他类型则根据元模式中定义的异构关系按层次排列在前。在信息聚合过程中，依据层次元模式，各层的信息通过注意力机制由远及近逐步聚合到最后一层的目标类型上。 此外，元路径通常起始和终止于相同类型，有助于定义复杂的结构和语义。因此，我们还在所提出的层次元模式内基于元路径考虑邻居的语义信息，以增强元模式中可能缺失的同类型节点之间的复杂语义。   最后，我们提出了一种面向异构图神经网络模型的元路径和元模式层次聚合方法，名为HGNN-MMHA。我们可以使元模式不再局限于其内部的元关系信息，最大限度地考虑异构图中不同类型节点之间的相关性。在四个真实的异构图数据集上进行的大量实验表明，与现有最先进的方法相比，所提出的HGNN-MMHA方法是有效的。 
        创新点：

        （1）为了充分挖掘并保留异构图中各类节点及关系所产生的异构信息，我们将元模式组织成一种层次结构，即层次元模式。层次元模式将不同类型的节点分布在不同的层中，并通过异构关系将它们相互连接起来。

（2）为了补充元模式中可能缺失的同类型节点之间的复杂语义，我们在所提出的层次元模式内基于元路径来考虑邻居的语义信息。此外，本文还设计了一种基于元模式自动提取元路径的简易方法，该方法在一定程度上避免了人工定义元路径。