摘要
图神经网络（Graph Neural Networks, GNNs）在众多现实世界任务中得到了广泛研究。然而，GNN聚合函数所依赖的同质性假设（homophily assumption）限制了其在异质性图（heterophily graphs）中的表示学习能力。本文聚焦于图中路径层级的模式，这类模式能够显式地反映丰富的语义与结构信息。为此，我们提出了一种新型的结构感知路径聚合图神经网络（Structure-aware Path Aggregation Graph Neural Network, PathNet），旨在使GNN能够同时适用于同质性与异质性图的泛化学习。具体而言，我们首先引入一种最大熵路径采样器（maximal entropy path sampler），用于采样包含丰富结构上下文的多条路径；随后，设计了一种结构感知的循环单元（structure-aware recurrent cell），该单元由保持顺序特性的组件与距离感知组件构成，用以学习邻域的语义信息；最后，在路径编码的基础上，建模不同路径对目标节点的偏好关系。实验结果表明，所提出的模型在异质性图与同质性图上的节点分类任务中均取得了显著的性能提升。