Beyond Homophily: Structure-aware Path Aggregation Graph Neural Network

图神经网络(gnn)已被深入研究在各种现实世界的任务。然而，gnn聚合函数的同质性假设限制了它们在异质图中的表示学习能力。在本文中，我们阐明了图中的路径级别模式，它可以显式地反映丰富的语义和结构信息。因此，我们提出了一种新的结构感知路径聚合图神经网络(PathNet)，旨在推广同质图和异质图的gnn。具体地说，我们首先引入了一个最大熵路径采样器，它帮助我们对许多包含结构上下文的路径进行采样。然后，我们引入一个结构感知的循环单元，由保序和距离感知组件组成，以学习邻域的语义信息。最后，对编码后的不同路径对目标节点的偏好进行建模。实验结果表明，该模型在异质图和同质图上的节点分类都具有较好的性能

注意：文中提到的主要解决异质图问题，

阅读者总结：这篇论文提出了异构图中节点分类问题，应该说这种方法很巧妙的将GCN方法运用在异构图中。主要它考虑了不同节点分类，然后使用路径方式，将不同的路径实现embidding.

问题：

基于上述几点，一个自然的含义是通过聚合所有涉及的路径而不是其邻域来学习每个节点的嵌入。然而，如何获取和编码合适的路径以提取足够的信息是一个具有挑战性的问题 

方法：本文提出一种结构感知的路径聚合图神经网络(简称PathNet)来应对这些挑战。为了缓解过度扩展问题并保留结构模式，引入了一个最大熵路径采样器。理论和经验证明，对越来越多的路径进行采样，以指数速度逼近无限路径场景。为在编码路径的同时保留高阶邻域的上下文，本文提出一种结构感知的路径编码器，具有两个优势:通过循环机制保持顺序，并通过利用到目标节点的距离来捕获上下文结构。在路径编码后，提出一种路径注意力机制来建模路径对邻域不同同质程度节点的偏好。 

 

 

路径在表示图的复杂语义信息方面具有巨大的潜力。本文提出PathNet(图2)，利用路径聚合范式，旨在将gnn泛化为同质和异质图。首先在最大熵随机游走指导下对路径进行采样，有效探索图结构的多样性;然后，将节点嵌入序列发送到带有距离感知组件的结构感知循环单元Φ中，捕捉结构上下文并提取语义信息，从而对路径进行编码。为了对每个路径嵌入到目标节点的偏好进行建模，使用路径注意力模块进行路径聚合。最后经过非线性变换得到节点预测zv0。 

Maximal Entropy Path Sampler 

我们建议在最大熵随机游走(MERW)的指导下对路径进行采样，如图2左。MERW算法在每步熵率增加的方向上寻找路径，并融入了广泛应用于衡量节点重要性的特征向量中心性(eigenvector centrality)。 

 

 

 Structure-aware Path Aggregator

为了聚合路径信息，我们提出了一种结构感知的路径聚合器。设计了一种结构感知的循环单元来编码路径嵌入，能够融合路径中每个节点的顺序和距离信息，从而捕获语义信息。进一步，对路径偏好进行建模，区分不同路径的重要性，实现自适应路径嵌入聚合。