Este artículo propone una red neuronal de grafos (GNN) que aprovecha la rica información de grafos dirigidos (dígrafos). Las GNN de grafos dirigidos existentes presentan limitaciones en eficiencia y estabilidad de rendimiento debido a mecanismos de aprendizaje complejos y una dependencia topológica de alta calidad. Para abordar estas limitaciones, proponemos el Paseo Aleatorio Dirigido (DiRW), una estrategia plug-and-play aplicable a la mayoría de las DiGNN espaciales y un novedoso paradigma de aprendizaje de grafos dirigidos. DiRW utiliza un muestreador de rutas con sentido de dirección que optimiza las probabilidades, longitudes y conteos de rutas sin ponderaciones, considerando perfiles y topologías de nodos. También integra un agregador de rutas aprendible específico de cada nodo para generar representaciones generalizadas de nodos. Mediante experimentos exhaustivos en nueve conjuntos de datos, demostramos que DiRW supera a la mayoría de los métodos espaciales con su estrategia plug-and-play y alcanza un rendimiento de vanguardia con su novedoso paradigma de aprendizaje de grafos dirigidos.
