Page 419 - 《软件学报》2025年第4期

邹慧琪 等: 基于图神经网络的复杂时空数据挖掘方法综述 1825

ϕ
e = Softmax j (att node (h ,h ;ϕ)) (39)
′
′
ij i j
ϕ
j
i
其中, att node 用的是自注意力机制 [26] . 在得到元路径 ϕ 中节点 对节点 的重要程度 e 后, HAN 使用多头注意力机
ij
制将节点表示聚合为最终的单一元路径表示, 这个过程可用如下公式表示:

 
K ∑  

ϕ  ϕ ′ 
  (40)
f = || σ  e ·h 
i  ij j 
k=1
j∈N ϕ
ϕ
其中, K 表示注意力头的数量, N 表示的是节点 i 在元路径 ϕ 上所有邻居节点.

Temporal graph
Road network
Road 4 Spatial graph Mon. Tue. Wed. Thu. Fri. Sat. Sun.
(Primary)
2
4
Road 1 (Secondary) Road 2 (Secondary) Road 5 Road 6 (Trunk) 1 6 0 1
Road 3 (Secondary) (Trunk link) 3 5 … …
fuse(F s ,F t ) =
46
2 4 48
2
1 6 Time slot Hourly edge Weekly edge
3 3 5
(a) 元路径: 相同道路 (b) 元路径: 不同道路 (c) 元路径: 周邻接 (d) 元路径: 小时邻接
类型下的拓扑邻接 类型下的拓扑邻接
图 6 空间维度和时间维度不同类型元路径的示意图 [35]

接着, HAN 将单一元路径的表示先经过 MLP 非线性变换, 接着用一个表示不同元路径在整个视图中的重要
性的注意向量 q 将不同的元路径表示聚合起来, 分别得到空间和时间视图的嵌入表示. 对于空间/时间视图中的元
路径集 {ϕ 0 ,ϕ 1 ,...,ϕ p } , 元路径 ϕ p 对插补任务中的视图的重要性权值可用如下公式表示:

 
 1 ∑ 
 ϕ p 
 T 
 (41)
= Softmax p  q tanh(W · f +b)  
m ϕ p i
 
|V|
i∈V
V 表示图中的节点的集合. 最后, 通过元路径集中每条元路径和其重要
其中, W 和 b 分别为待训练的权重和偏置,
性权值的加权求和可以得到时间/空间的向量表示 F , 这个过程可表示如下:

p
∑
F = m ϕ p · F ϕ p (42)
p=1
最后, 在时空融合部分, HAN 利用低秩多模态融合 (LMF) 将时间和空间向量表示进行多模态融合. 为了实现
多模态融合, 首先需要将输入映射成高维张量, 以捕获不同模态之间的相关性, 再将结果通过线性操作映射回低维
张量. 最终对 F s 和 F t 进行信息融合得到插补结果的函数可表示为:

r ∑
M (i)
⊙ m=1 w ·Z +b (43)
m
i=1
其中, Z 通过空间的向量表示 F s 和时间的向量表示 F t 通过张量外积得到, 它包含了两个模态的所有组合, 有助于
捕捉两个输入模态之间的关联信息, w (i) 表示将权重矩阵进行分解得到的第 i 组模态 m 的低秩分解因子.
m
与基于关系类型感知的时空融合架构方法相比, 基于元路径的时空融合架构更能提取异质图中的高阶关系,
通过定义不同的元路径, 可以捕捉到不同类型的节点关联模式, 使得方法更适应于更多样的图结构, 有利于在不同
领域中迁移和应用, 但与此同时, 它可能也会带来建模复杂, 需要领域知识辅助设计等缺点. 基于动态异质图的时
空融合架构总结可见表 3.