面向异构社交网络的空-频域自适应图神经网络OA北大核心

传统GNN基于同构性假设对近邻节点实现低通滤波功能完成邻域相似信息的聚合嵌入。但在异构图中分属不同类别的节点彼此多建立联系,而相同类别的节点在图拓扑位置上距离较远。这一特点给注重近端邻域信息聚合的传统GNN带来“远端节点信息聚合缺失”与“同构性假设失灵”的问题。因此设计融合空域与频域自适应嵌入机制的异构图神经网络(DA-HGNN)以解决上述问题。针对问题一,设计“远端空域嵌入模块”,旨在通过高阶随机游走迁移概率筛选并聚合远端相似节点,补充“消息传递的跨邻域自适应性”;针对问题二,设计“近端频域嵌入模块”,构建滤波器分离节点高频与低频信号,并设计频域导向型注意力机制对上述信息进行频域偏好的自适应融合,从而减少“同构性假设失灵”所引入的噪声。在四个公开异构图数据集中取得最优实验结果,准确率上平均提高6.41个百分点。在灵敏度分析和消融实验中阐述了超参数的选择机制和各模块的实际性能,并验证了在异构网络中“节点结构相似性”“节点属性向量相似性”以及“节点同构性”三者之间仍呈现正相关关系这一结论。在异构真实数据集中验证了欺诈检测效果,AUC指标提升4.4个百分点。