• Графовые нейронные сети (GNN) используются для анализа структурированных данных в различных областях.
• Традиционные GNN предполагают гомофилию, но это ограничивает их применение в гетерофильных условиях.
• Метод AMUD-ADPA повышает производительность GNN в гомофильных и гетерофильных условиях, используя данные о действиях пользователей на платформе MOOC.
• Метод AMUD-ADPA состоит из двух компонентов: AMUD и ADPA.
• AMUD фокусируется на оценке взаимосвязи между узлами и топологией графа и адаптивно решает, рассматривать ли ребра как ориентированные или неориентированные.
• ADPA использует иерархические механизмы внимания для агрегирования информации из графа и адаптации к его структуре и характеру ребер.
• Метод AMUD-ADPA полезен в рекомендательных системах, обнаружении аномалий и анализе социальных сетей.
• Эксперименты показали, что AMUD-ADPA превосходит традиционные модели GNN по точности, precision, recall и F1-score.