可分解图卷积网络

图结构已被广泛用于表示实体之间的结构性关联。在许多情况下，这些关系具有异质性，却相互交织，并仅以节点对之间的一条单一边来表示。例如，在社交网络图中，用户之间可能存在着诸如朋友、同事等不同潜在关系，但这些内在联系通常被一条简单的边所掩盖。本文提出一种新型图卷积网络（Graph Convolutional Network, GCN），称为可分解图卷积网络（Factorizable Graph Convolutional Network, FactorGCN），该方法能够显式地解耦图中所编码的复杂交织关系。FactorGCN以一个简单图作为输入，将其分解为多个因子化图，每个因子化图对应一种潜在的、解耦的关系。随后，节点特征在各个因子化隐空间中分别进行聚合，生成解耦的特征表示，从而显著提升下游任务的性能。我们在合成数据集和真实世界数据集上对所提出的FactorGCN进行了定性和定量评估，结果表明，该方法在关系解耦与特征聚合方面均取得了令人鼓舞的成效。代码已公开，可在 https://github.com/ihollywhy/FactorGCN.PyTorch 获取。