LG-GNN：用于建模同质性和异质性的局部-全局自适应图神经网络

大多数图神经网络（GNN）基于同质性假设，即具有相同标签或相似特征的节点往往彼此连接。然而，现实世界的图通常不符合这一同质性假设。目前，大多数研究通过聚合多跳邻居信息来发现更可能相关的节点。然而，在GNN的聚合过程中，没有考虑对全局和局部信息建模的差异，必然导致信息损失。基于这一局限性，我们提出了LG-GNN，一种用于建模同质性和异质性的局部-全局自适应图神经网络。具体而言，我们从全局和局部角度建模节点之间的长程结构相似性和局部特征相似性，以捕捉在特高异质网络中的远程依赖，同时减少本地不相似特征节点的混合，从而提高在特高异质图中的信息聚合效果。对广泛的真实世界数据集进行的广泛实验表明，我们提出的方法在异质和同质图中表现良好。