論文標題：Heterogeneous Graph Transformer

論文來源：WWW 2020

論文鏈接：https://arxiv.org/pdf/2003.01332.pdf

代碼鏈接：https://github.com/acbull/pyHGT

簡介

近年來，圖神經網絡（GNNs）在圖數據分析領域取得了巨大的成功。然而，大多數的 GNN 都是針對同構圖設計的。在同構圖中，所有的節點和邊都屬于同一種類型。

然而實際生活中，我們可能會處理更復雜的圖數據，其節點與邊會有不同的類別，學術界稱這類圖數據為異構圖。

比如學術網絡、知識圖譜，乃至物聯網等。例如，下圖中的開放學術網絡包含五種類型的節點:論文、作者、機構、會議和領域，以及它們之間不同類型的關系。

在這篇論文中，我們提出了一種處理異構圖的 GNN 模型，Heterogeneous Graph Transformer (HGT)。該模型可以對億數量級節點的異構動態圖進行建模。

模型

為了處理圖的異構性，我們將每條邊的模型參數分解為三個矩陣相乘。其分解根據每條邊的三元組 <初始節點類型，邊類型，目標節點類型>來定義。具體來說，我們使用這些三元組來對權重矩陣參數化，以計算每條邊上的注意力以及信息傳遞。

因此，HGT不需要手動設計元路徑 (meta path) ，也可以自動、隱式地學習和提取對不同下游任務重要的元路徑。在此分解基礎上，整體的計算仿照Transformer，因此相較于傳統圖模型有更強的表征能力。

為了處理圖數據的動態特性，我們引入了相對時間編碼（Relative Temporal Encoding）。相較于傳統做法，即根據不同的時間戳把初始圖分割成若干個圖，我們采用將發生在不同時間的邊全部放在一個圖里。

我們計算兩兩節點相互之間的時間差，并對每一個時間差以一個編碼，加在初始節點表征上。這樣，在學習過程中，HGT 可以學習出圖中的時間依賴關系，同時發生在不同時間的節點間也可以進行信息傳遞。

為了處理網絡規模的圖形數據，我們設計了針對異構圖的采樣算法? HGSampling。它的主要思想是樣本異構子圖中不同類型的節點以相同的比例，并利用重要性采樣降低采樣中的信息損失。

通過 HGSampling，所有的 GNN 模型，包括我們提出的 HGT，都可以在任意大小的異構圖上進行訓練和推理。

?

?

實驗

我們在開放學術圖譜（OAG）上進行試驗。該數據集包含 1.79 億個節點和 20 億個邊組成，時間跨度從 1900 年到 2019 年。實驗結果表明，與傳統的 GNNs 和異構圖模型相比，在下游任務中 HGT 可以顯著提高 9-21%。

?

?

同時，利用我們提出的相對時間編碼（RTE），我們可以動態地計算出任意一個年份的節點標準。例如，我們可以觀測出每個會議在不同時間其相似會議的變化。如下圖所示，WWW 在 2020 年與一些網絡、數據庫的會議更接近，而在 2020 年卻與一些數據挖掘的會議更接近。

同時，我們還驗證了 HGT 可以隱性地抽取出對下游任務重要的元路徑，而不需要人為定義。例如下圖中的 <paper, is_published_at, venue, is_published_at-1, paper> 路徑就有著最高的重要性。

點擊以下標題查看更多往期內容：?

• 圖神經網絡時代的深度聚類
  

• 圖自編碼器的起源和應用
  

• 圖神經網絡三劍客：GCN、GAT與GraphSAGE
  

• 針對圖嵌入模型的受限黑盒對抗攻擊框架
  

• AAAI 2020 開源論文 | 多成分圖卷積協同過濾
  

• ICLR 2020?| 多關系圖神經網絡CompGCN

????

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結

以上是生活随笔為你收集整理的WWW 2020 开源论文 | 异构图Transformer的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。