GNN-图卷积模型-2019：GTN【Graph Transformer Networks】【异质图】

摘要：图神经网络在图的表示学习中得到了广泛的应用，在节点分类和链路预测等任务中取得了很高的性能。然而，大多数现有GNNs的设计目的是学习固定和齐次图上的节点表示。当学习指定错误的图或由各种类型的节点和边组成的异类图上的表示时，这种局限性尤其成问题。在本文中，我们提出了能够生成新图结构的图转换网络(GTNs)，它涉及到识别原始图上未连接节点之间的有用连接，同时以端到端方式学习新图上的有效节点表示。Graph Transformer层是GTNs的核心层，它学习了边类型的软选择和复合关系，以生成有用的多跳连接，即所谓的元路径。我们的实验表明，GTNs基于数据和任务学习新的图结构，没有领域知识，并通过对新图的卷积产生强大的节点表示。在没有特定领域图预处理的情况下，GTNs在所有三个基准节点分类任务中取得了最好的性能，而最先进的方法需要从领域知识中预定义元路径。

---

---

---

参考资料：
Graph Transformer Networks-阅读笔记