图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系的多视图多粒度图表示学习框架(multi-view and multi-granularity graph representation learning based on partial order relationships,MVMGr-PO),它通过从节点特征视图、图结构视图以及全局视图对节点进行综合评分,进而基于节点之间的偏序关系进行下采样操作。相比于其他图表示学习方法,MVMGr-PO可以有效地提取多粒度图结构信息,从而可以更全面地表征图的内在结构和属性。此外,MVMGr-PO可以集成多种图神经网络架构,包括GCN(graph convolutional network)、GAT(graph attention network)以及GraphSAGE(graph sample and aggregate)等。通过在6个数据集上进行实验评估,与现有基线模型相比,MVMGr-PO在分类准确率上有明显提升。
现有异质图(Heterogeneous Graph,HG)表示方法大都基于强大的图神经网络,聚合元路径内及元路径之间的语义信息来嵌入节点。然而,现有方法忽视了HG中节点的异质性,导致邻居节点中的无关信息沿着复杂结构扩散到高阶节点,扰动HG表示。为克服该问题,本文提出一种标签独立信息压缩的异质图表示方法LICHGR(Label-independent Information Compression for Heterogeneous Graph Representation)。LICHGR的核心思想是在信息瓶颈的指导下,利用希尔伯特-斯密特独立性准则限制异质图中标签独立信息的传播而尽可能保留标签依赖的信息。具体地,LICHGR通过在输入特征、元路径内隐藏特征、真实标签之间构造多方面的标签独立信息压缩限制,抽取丰富的标签依赖的信息,从而提高异质图表示质量。在3个公开的数据集上设计的多个实验充分验证了LICHGR的有效性。
