摘要
图神经网络（Graph Neural Networks, GNNs）近年来在图结构数据学习范式中取得了显著突破。然而，大多数现有的GNN模型将节点在每一层的感知范围（receptive field）限制为其直接连接的邻居（即一阶邻居），这一设计忽略了高阶邻近性在当前先进神经网络中被证明具有关键作用的事实。本文提出了一种新颖的方法，通过融合从输入图的分层拓扑结构中提取的高阶邻近性信息，为GNN合理地定义可变的感知范围。具体而言，利用可训练的分层半非负矩阵分解（hierarchical semi-nonnegative matrix factorization）获得的多尺度分组，用于调整对一阶邻居进行聚合时的权重。该方法与节点属性上的图注意力机制相结合，在聚合过程中引入可学习参数，并实现端到端的联合优化。大量实验结果表明，所提出的hpGAT方法在性能上优于现有最先进方法，充分验证了在处理局部邻域噪声信息时，挖掘高阶邻近性的重要意义。