摘要
图神经网络中的注意力机制旨在为重要的邻居节点分配更大的权重，以获得更优的节点表示。然而，当前对图注意力机制所学习到的内容理解尚不充分，尤其是在图结构存在噪声的情况下。本文提出一种自监督图注意力网络（SuperGAT），这是一种针对噪声图数据的改进型图注意力模型。具体而言，我们设计了两种与自监督边预测任务相兼容的注意力形式，该任务利用边的存在与缺失，捕捉节点间关系重要性的内在信息。通过编码边信息，SuperGAT能够学习更具表现力的注意力机制，从而更有效地区分错误连接的邻居节点。我们发现，图的两种结构性质——同质性（homophily）与平均度数（average degree）——显著影响注意力形式与自监督机制的有效性。因此，本研究提出了一套可指导实践的“配方”，当已知上述两种图特性时，可据此选择合适的注意力设计。在17个真实世界数据集上的实验表明，该配方在其中15个数据集上具有良好的泛化能力，且基于该配方设计的模型在性能上显著优于现有基线方法。