Verstärkte Nachbarschaftsauswahl gesteuerte multi-relationale Graph Neural Networks

Graph Neural Networks (GNNs) werden weit verbreitet für die Repräsentationslernung verschiedener strukturierter Graphdaten eingesetzt. Obwohl vielversprechend, vereinfachen die meisten existierenden GNNs die Komplexität und Vielfalt der Kanten in Graphen stark und sind daher ineffizient bei der Behandlung allgegenwärtiger heterogener Graphen, die typischerweise in Form von multi-relationalem Graphrepräsentationen vorliegen. In diesem Artikel stellen wir RioGNN vor, eine neuartige, verstärkte, rekursive und flexible Architektur für die Nachbarschaftsauswahl gesteuerte multi-relationale Graph Neural Network-Struktur, die die Komplexität neuronaler Netzwerkstrukturen bewältigt, während relationsspezifische Repräsentationen erhalten bleiben. Zunächst erstellen wir gemäß der jeweiligen praktischen Aufgabe einen multi-relationalem Graphen, um die Heterogenität von Knoten, Kanten, Attributen und Etiketten widerzuspiegeln. Um eine übermäßige Einpassung der Embeddings verschiedener Knotentypen zu vermeiden, nutzen wir eine label-orientierte neuronale Ähnlichkeitsmaßnahme, um die ähnlichsten Nachbarn basierend auf Knotenattributen zu bestimmen. Ein verstärktes, relationenbewusstes Mechanismus zur Nachbarschaftsauswahl wird entwickelt, um die ähnlichsten Nachbarn eines Zielknotens innerhalb einer Relation auszuwählen, bevor alle Nachbarschaftsinformationen aus verschiedenen Relationen aggregiert werden, um die endgültige Knoten-Embedding zu erhalten. Insbesondere schlagen wir ein neues rekursives und skalierbares Reinforcement-Learning-Framework vor, das eine schätzbare Tiefe und Breite für Graphen unterschiedlicher Skalen ermöglicht, um die Effizienz der Nachbarschaftsauswahl zu verbessern. RioGNN kann aufgrund der Erkennung der individuellen Relevanz jeder Relation durch die Filter-Schwellenmechanik differenziertere Knoten-Embeddings lernen und gleichzeitig die Erklärbarkeit des Modells erhöhen. Umfassende Experimente an realen Graphdaten und praktischen Anwendungen belegen die Überlegenheit von RioGNN hinsichtlich Effektivität, Effizienz und Modellerklärbarkeit gegenüber anderen vergleichbaren GNN-Modellen.