مقاله BHGNN-RT: تعبیه شبکه برای نمودارهای ناهمگن جهت دار

چکیده

Networks are one of the most valuable data structures for modeling problems in the real world. However, the most recent node embedding strategies have focused on undirected graphs, with limited attention to directed graphs, especially directed heterogeneous graphs. In this study, we first investigated the network properties of directed heterogeneous graphs. Based on network analysis, we proposed an embedding method, a bidirectional heterogeneous graph neural network with random teleport (BHGNN-RT), for directed heterogeneous graphs, that leverages bidirectional message-passing process and network heterogeneity. With the optimization of teleport proportion, BHGNN-RT is beneficial to overcome the over-smoothing problem. Extensive experiments on various datasets were conducted to verify the efficacy and efficiency of BHGNN-RT. Furthermore, we investigated the effects of message components, model layer, and teleport proportion on model performance. The performance comparison with all other baselines illustrates that BHGNN-RT achieves state-of-the-art performance, outperforming the benchmark methods in both node classification and unsupervised clustering tasks.

چکیده به فارسی (ترجمه ماشینی)

شبکه ها یکی از با ارزش ترین ساختار داده برای مدل سازی مشکلات در دنیای واقعی هستند.با این حال ، جدیدترین استراتژی های تعبیه شده گره بر روی نمودارهای غیر مستقیم متمرکز شده است ، با توجه محدود به نمودارهای کارگردانی ، به ویژه نمودارهای ناهمگن کارگردانی.در این مطالعه ، ما ابتدا خصوصیات شبکه نمودارهای ناهمگن کارگردانی را بررسی کردیم.بر اساس تجزیه و تحلیل شبکه ، ما یک روش تعبیه شده ، یک شبکه عصبی نمودار ناهمگن دو طرفه با Teleport تصادفی (BHGNN-RT) ، برای نمودارهای ناهمگن کارگردانی ، پیشنهاد کردیم که از روند گذر پیام دو طرفه و ناهمگونی شبکه استفاده می کند.با بهینه سازی نسبت teleport ، Bhgnn-RT برای غلبه بر مشکل بیش از حد صاف مفید است.آزمایش های گسترده در مجموعه داده های مختلف برای تأیید اثربخشی و کارآیی BHGNN-RT انجام شد.علاوه بر این ، ما اثرات اجزای پیام ، لایه مدل و نسبت Teleport را بر عملکرد مدل بررسی کردیم.مقایسه عملکرد با تمام خطوط دیگر نشان می دهد که BHGNN-RT به عملکرد پیشرفته می رسد و از روشهای معیار در هر دو طبقه بندی گره و کارهای خوشه بندی بدون نظارت استفاده می کند.