DMAHGT：一种动态元注意力异构图变换器，用于实现鲁棒的节点表示学习

《IEEE Women in Engineering Magazine》：DMAHGT: A Dynamic Meta-Attention Heterogeneous Graph Transformer for Robust Node Representation Learning

　　

摘要：

异构图神经网络已成为分析复杂、多类型图结构数据的强大工具。然而，由于在处理不同类型的节点和关系、捕捉动态时间模式以及提供模型可解释性等方面存在挑战，它们的性能在不同领域往往存在差异。为了解决这些限制，本文提出了动态元注意力异构图变换器（DMAHGT），这是一种创新的异构图模型，它包含了四个关键创新点：一种两级层次注意力机制，用于精细的消息传递；动态元注意力机制，可以根据节点特征、关系类型和时间信息调整权重；通过CrossDatasetMetaLearner实现跨数据集的元学习能力；以及通过节点和特征的重要性评分来保证模型的可解释性。该模型在处理涉及复杂且不断变化的图结构（如学术网络和社会网络）的实际应用时表现出强大的鲁棒性和可扩展性。其动态适应不同关系语义和时间背景的能力凸显了其作为异构图学习任务通用解决方案的潜力。该模型在三个基准数据集ACM、IMDB和DBLP上进行了评估，并与包括HAN、HGT、HGCN、HeteroGNN、IGNN以及元学习基线MAML在内的几种最先进的异构图模型进行了全面比较。实验结果表明，DMAHGT在节点分类、聚类和相似性搜索任务中始终优于这些基线方法，取得了更优异的性能。