可解释高效异构图卷积网络，Interpretable and Efficient Heterogeneous Graph Convolutional Network

题目:

Interpretable and Efficient Heterogeneous Graph Convolutional Network

摘要:

图卷积网络(GCN)在学习图中节点的有效任务特定表示方面取得了非凡的成功。然而，对于异构信息网络(HIN)，存在面向hin的GCN方法仍然存在两个不足:(1)不能灵活地探索所有可能的元路径，并提取出对目标对象最有用的元路径，这既影响了有效性，也影响了可解释性; (2)经常需要生成中间的元路径密集图，计算复杂度高。为了解决上述问题，我们提出一种可解释且高效的异构图卷积网络(ei-HGCN)来学习HINs中对象的表示。它被设计为一个层次聚合架构。，首先是对象级聚合，然后是类型级聚合。该结构能够在一定长度范围内从所有可能的元路径中为每个对象自动提取出有用的元路径，具有良好的模型可解释性。避免了中间HIN转换和邻域关注，降低了计算量。在评估所有可能元路径的有用性、它与HINs上的谱图卷积的联系以及它的准线性时间复杂度方面，我们提供了关于ei-HGCN的理论分析。在三个真实网络数据集上的大量实验证明了ei-HGCN比现有方法的优越性。