边的方向性改善了异质图上的学习效果

图神经网络（GNNs）已成为建模关系数据的事实标准工具。然而，尽管许多现实世界中的图是有向的，但目前大多数GNN模型通过简单地将图转换为无向图来完全忽略这一信息。这种做法的原因是历史性的：1）许多早期的谱图神经网络变体明确要求图必须是无向的；2）在同质性图上的首批基准测试中，使用方向性并未显示出显著的优势。在本文中，我们展示了在异质性环境中，将图视为有向图可以增加图的有效同质性，这表明正确利用方向性信息可能带来潜在的收益。为此，我们引入了有向图神经网络（Dir-GNN），这是一种用于有向图深度学习的新颖通用框架。Dir-GNN可以通过分别聚合入边和出边来扩展任何消息传递神经网络（MPNN），以考虑边的方向性信息。我们证明了Dir-GNN的表达能力与有向Weisfeiler-Lehman测试相匹配，超过了传统MPNN的表达能力。在广泛的实验中，我们验证了虽然我们的框架在同质性数据集上性能不变，但在异质性基准测试中相对于GCN、GAT和GraphSage等基础模型表现出显著的性能提升，超越了许多更复杂的方法，并达到了新的最先进水平。