考虑有向图中节点多样性的图表示学习方法

本发明为考虑有向图中节点多样性的图表示学习方法。许多有向图神经网络(DGNNs)方法在处理每个节点的邻居集时对出边邻居集和入边邻居集进行相同的处理，而没有考虑有向图中节点的多样性，因此通常无法自适应地从不同方向的邻居中获取适当的信息。为了解决这个问题，本文研究了一种新的方法，首先考虑节点的多样性以进行有向图的表示学习，即邻居多样性和度数多样性，然后提出了一种新的NDDGNN框架，该框架在节点级别上自适应地为出边信息和入边信息分配权重。通过在七个真实世界数据集上的大量实验验证了我们方法在节点分类和链路预测任务中的优越性能，相较于最先进的方法表现更佳。