摘要
在异质性（heterophily）场景下，节点间倾向于基于语义含义连接不同标签的节点，图神经网络（Graph Neural Networks, GNNs）通常表现出次优性能。当前关于图异质性的研究主要集中在聚合校准或邻居扩展方面，通过利用节点特征或结构信息来改进GNN的表示能力以应对异质性问题。本文提出并验证了一种新思路：通过分析图中每个节点邻域的分布特性，可有效挖掘异质性中蕴含的宝贵语义信息，从而提升图学习效果。我们开展了理论分析，证明该方法在增强图学习能力方面的有效性。基于此分析，本文提出HiGNN——一种创新性方法，其通过利用节点分布构建一个额外的新型图结构，将异质性信息融入其中，从而增强具有相似语义特征节点之间的连接性。我们在同质与异质基准数据集上对节点分类任务进行了充分的实证评估，并将HiGNN与多种主流GNN基线模型及当前最先进（SoTA）方法进行对比，结果证实了该方法在提升图表示能力方面的显著有效性。此外，通过引入异质性信息，我们进一步显著提升了现有基于GNN方法在真实世界数据集上的表现，同时有效缓解了实际数据集中同质性程度偏低的问题，充分验证了本方法的有效性与普适性。