图形神经网络（GNNS）传统上由于1）建模邻域和2）保留不对称，因此由于1）的显着挑战，传统上具有较差的图形（DIGRAPH）的性能。在本文中，我们通过利用从多订购和分区社区的双曲线协作学习以及由社会心理因素的启发的常规方来解决传统GNN中的这些挑战。我们所产生的形式主义，Digraph双曲线网络（D-Hypr）学习双曲线空间中的节点表示，以避免真实世界的结构和语义扭曲。我们对4个任务进行全面的实验：链路预测，节点分类，标志预测和嵌入可视化。D-HYPR在大多数任务和数据集上统计上显着优于本领域的当前状态，同时实现竞争性能。我们的代码和数据将可用。
translated by 谷歌翻译