摘要
图或网络数据在现实世界中无处不在，包括社交网络、信息网络、交通网络、生物网络以及各种技术网络。图数据的非欧几里得特性给图数据的建模和分析带来了挑战。近年来，图神经网络（GNNs）被提出作为一种通用且强大的框架来处理图数据上的任务，例如节点嵌入、链接预测和节点分类。作为GNNs的一个代表性实现，图注意力网络（GATs）已成功应用于真实数据集上的多种任务。然而，GAT仅设计用于只有正向链接的网络，无法处理包含正向和负向链接的有符号网络。本文中，我们提出了有符号图注意力网络（SiGATs），将GAT扩展到有符号网络。SiGAT将图模体（motifs）融入GAT中，以捕捉有符号网络研究中的两个著名理论，即平衡理论和地位理论。在SiGAT中，模体为我们提供了灵活的结构模式，以便在有符号网络上聚合和传播消息以生成节点嵌入。我们通过将其应用于有符号链接预测任务来评估所提出的SiGAT方法。三个真实数据集上的实验结果表明，SiGAT优于基于特征的方法、网络嵌入方法以及最新的基于GNN的方法，如有符号图卷积网络（SGCN）。