Bài báo này đề xuất một mạng nơ-ron đồ thị (GNN) tận dụng thông tin phong phú của các đồ thị có hướng (digraph). Các GNN đồ thị có hướng hiện tại gặp phải những hạn chế về hiệu quả và độ ổn định hiệu suất do cơ chế học tập phức tạp và sự phụ thuộc vào tôpô chất lượng cao. Để giải quyết những hạn chế này, chúng tôi đề xuất Directed Random Walk (DiRW), một chiến lược plug-and-play áp dụng cho hầu hết các DiGNN dựa trên không gian và một mô hình học đồ thị có hướng mới. DiRW sử dụng một bộ lấy mẫu đường dẫn nhận biết hướng để tối ưu hóa xác suất, độ dài và số lượng đường dẫn mà không cần trọng số, có tính đến cấu hình nút và tôpô. Nó cũng tích hợp một bộ tổng hợp đường dẫn có thể học được dành riêng cho từng nút để tạo ra các biểu diễn nút tổng quát. Thông qua các thử nghiệm mở rộng trên chín tập dữ liệu, chúng tôi chứng minh rằng DiRW vượt trội hơn hầu hết các phương pháp dựa trên không gian với chiến lược plug-and-play của nó và đạt được hiệu suất tiên tiến với mô hình học đồ thị có hướng mới của nó.
