摘要
图表示学习旨在学习既能保留节点属性又能保留结构信息的通用节点表示。所得到的节点表示可以用于支持各种下游任务，如节点分类和节点聚类。当图是异质图时，该问题比同质图的节点学习问题更具挑战性。受新兴的信息理论基础学习算法的启发，本文提出了一种无监督图神经网络——异质深度图信息极大化（Heterogeneous Deep Graph Infomax, HDGI），用于异质图表示学习。我们利用元路径结构分析异质图中涉及语义的连接，并通过图卷积模块和语义级注意力机制捕获局部表示。通过最大化局部-全局互信息，HDGI 有效地学习了高层次的节点表示，这些表示可以在下游的图相关任务中使用。实验结果表明，HDGI 在分类和聚类任务上显著优于现有的无监督图表示学习方法。将学到的表示输入参数模型（如逻辑回归）后，即使与最先进的有监督端到端图神经网络（GNN）模型相比，我们在节点分类任务中也能达到相当的性能。