摘要
大多数图神经网络遵循消息传递机制。然而，当在图上多次执行消息传递时，该机制容易出现过平滑（over-smoothing）问题，导致节点表示变得难以区分，从而阻碍模型有效学习远距离节点之间的依赖关系。另一方面，标签不同的邻近节点特征可能被错误地混合，进而引发异质性（heterophily）问题。在本工作中，我们提出对消息传递过程进行有序化处理，通过在节点表示中设置特定的神经元区块，分别对应不同跳数（hop）范围内的消息传递。这一目标通过将中心节点的根树（rooted-tree）结构层次与节点表示中有序排列的神经元进行对齐来实现。在大量数据集上的实验结果表明，我们的模型在同质性（homophily）和异质性（heterophily）设置下均能同时达到当前最优性能，且无需针对特定场景进行专门设计。此外，即使模型深度显著增加，其性能依然保持稳定，有效缓解了过平滑问题。最后，通过可视化门控向量（gating vectors），我们发现模型能够根据图结构的同质性或异质性自动调整行为，从而构建出具有可解释性的图神经网络模型。