【KDD2023】空间异质感知图神经网络

图神经网络（Graph Neural Networks，GNNs）已经广泛应用于许多城市应用中，将城市形式化为一个城市图，其中节点是城市对象，如区域或感兴趣点。最近，一些增强型GNN架构已经被开发出来，用于处理连接节点不相似的异质图。然而，城市图通常可以观察到具有独特的空间异质性特性；也就是说，不同空间距离的邻居的不相似性可以呈现出很大的多样性。尽管这种特性经常存在，但尚未被探索。为此，在本文中，我们提出了一种度量指标，称为空间多样性评分（Spatial Diversity Score），以定量衡量空间异质性，并展示它如何影响GNNs的性能。事实上，我们的实验调查明确表明，现有的异质性GNNs在处理具有高空间多样性评分的城市图时仍然存在不足。这反过来可能降低它们在城市应用中的有效性。沿着这条线，我们提出了一种空间异质性感知图神经网络（Spatial Heterophily Aware Graph Neural Network，SHGNN），用于处理城市图的异质性空间多样性。基于一个关键观察结果，即城市图上的空间邻居越接近，它们与中心节点之间的差异模式越相似，我们首先设计了一个旋转缩放的空间聚合模块，其核心思想是将空间上接近的邻居适当地分组，并分别处理每个组内较少的多样性。然后，设计了一个异质性敏感的空间交互模块，用于自适应地捕捉不同空间组中的共性和多样性差异。对三个真实世界的城市数据集进行的大量实验表明，我们的SHGNN相对于其竞争对手具有显著优势。