摘要
图神经网络作为一种基于深度学习的强大图表示技术，已展现出卓越的性能，并引起了广泛的研究关注。然而，在包含多种类型节点与边的异构图（heterogeneous graph）中，图神经网络的应用尚未得到充分探索。异构性及丰富的语义信息为设计适用于异构图的图神经网络带来了巨大挑战。近年来，深度学习领域最令人瞩目的进展之一是注意力机制（attention mechanism），其在多个领域的巨大潜力已得到充分验证。本文提出了一种基于分层注意力机制的新型异构图神经网络，该机制包含节点级注意力和语义级注意力两个层次。具体而言，节点级注意力旨在学习节点与其基于元路径（meta-path）的邻居之间的重要性关系，而语义级注意力则能够衡量不同元路径的重要性。通过融合节点级与语义级注意力所学习到的重要性信息，模型能够全面考虑节点与元路径的相对重要性。在此基础上，所提出的模型以分层方式聚合基于元路径的邻居节点特征，生成节点嵌入表示。在三个真实世界异构图数据集上的大量实验结果表明，所提出模型不仅在性能上显著优于现有最先进方法，还展现出良好的可解释性潜力，为图分析提供了有力支持。