要約
グラフニューラルネットワーク（GNN）は、深層学習に基づく強力なグラフ表現技術として、優れた性能を発揮し、広範な研究関心を集めている。しかし、異なる種類のノードおよびリンクを含む異種グラフ（heterogeneous graph）におけるGNNの活用は、まだ十分に検討されていない。異種性と豊かな意味情報は、異種グラフ向けのグラフニューラルネットワーク設計に大きな課題をもたらす。近年、深層学習における最も注目すべき進展の一つとして、注目機構（attention mechanism）が挙げられる。その大きな潜在能力は、さまざまな分野で確立されてきている。本論文では、階層的注目機構に基づく新たな異種グラフニューラルネットワークを提案する。このモデルは、ノードレベルの注目と意味レベルの注目という二つの注目機構を組み合わせている。具体的には、ノードレベルの注目機構は、あるノードとそのメタパス（meta-path）に基づく近傍ノードとの間の重要性を学習することを目的としており、意味レベルの注目機構は、異なるメタパスの相対的な重要性を学習することができる。このノードレベルおよび意味レベルの注目機構によって得られた重要性情報を統合することで、ノードおよびメタパスの重要性を包括的に考慮できる。その後、提案モデルは階層的にメタパスに基づく近傍ノードからの特徴を集約することで、ノード埋め込み（node embedding）を生成する。3つの実世界の異種グラフを用いた広範な実験結果から、本提案モデルが最先端手法を上回る優れた性能を発揮することを示しただけでなく、グラフ解析における高い解釈可能性（interpretability）の潜在的価値も示している。