异质分布传播在图神经网络中的应用

图神经网络（GNNs）通过从邻域聚合信息进行表示学习，在各种图挖掘任务中取得了显著的成功。这一成功依赖于同质性假设，即相邻节点表现出相似的行为，但在许多现实世界的图中，这一假设可能并不成立。近年来，异质性图神经网络（HeterGNNs）通过修改神经消息传递方案以适应异质性邻域，逐渐引起了越来越多的关注。然而，这些方法在邻域划分和异质性建模方面存在不足，这两者都是关键但难以突破的问题。为了解决这些挑战，本文提出了一种针对图神经网络的异质性分布传播（HDP）方法。与从所有邻域聚合信息不同，HDP 在训练过程中基于伪分配自适应地将邻居分为同质性和异质性部分。通过一种基于可信原型对比学习范式的正交约束方法，学习到异质性邻域的分布。同质性和异质性的模式均通过一种新颖的语义感知消息传递机制进行传播。我们在9个具有不同程度同质性的基准数据集上进行了广泛的实验。实验结果表明，我们的方法在异质性数据集上的表现优于代表性基线方法。