Графовые нейронные сети (GNN) широко применяются для обучения представлений, однако большинство методов ориентированы либо только на однородные, либо только на неоднородные графы. В данной статье предлагается новая модель HHR-GNN, которая объединяет подходы к обучению для обоих типов графовых структур. Модель формирует персонализированное поле восприятия для каждого узла, используя эмбеддинги графа знаний для оценки значимости связей между представлениями центрального узла на разных шагах (hops). Это позволяет более эффективно агрегировать информацию из сложного сетевого окружения.
Представлена новая архитектура графовых нейронных сетей (HHR-GNN), которая объединяет подходы к обучению на однородных и неоднородных графах. Модель внедряет персонализированное «поле восприятия» для каждого узла, позволяя ИИ лучше понимать сложные связи в данных. Это решение значительно повышает универсальность графовых представлений, делая их применимыми в более широком спектре задач.