摘要
图神经网络（GNNs）在图上的表示学习中得到了广泛应用，并在节点分类和链接预测等任务中取得了最先进的性能。然而，大多数现有的GNNs都是为在固定且同质的图上学习节点表示而设计的。当在错误指定的图或由多种类型节点和边组成的异质图上学习表示时，这些限制尤为突出。本文提出了一种图变换网络（Graph Transformer Networks, GTNs），该网络能够生成新的图结构，包括识别原始图中未连接节点之间的有用连接，同时以端到端的方式在新图上学习有效的节点表示。图变换层（Graph Transformer Layer）作为GTNs的核心层，通过学习边缘类型的软选择和复合关系来生成所谓的元路径（meta-paths），从而产生有用的多跳连接。我们的实验表明，GTNs基于数据和任务而非领域知识学习新的图结构，并通过在新图上的卷积操作获得强大的节点表示。无需特定领域的图预处理，GTNs在三个基准节点分类任务中均超过了需要从领域知识中预定义元路径的最先进方法，实现了最佳性能。