双视图嵌入融合：面向知识图谱节点分类的混合学习方法解决数据有限问题
机器学习
2025-11-18 v1
摘要
传统机器学习方法需要大量数据才能发挥良好作用，限制了其在稀疏或不完整场景中的适用性，迫使使用额外的合成数据来改善模型训练。为克服这一挑战，研究社区越来越多地关注图机器学习（GML），因为它通过利用数据中的关系提供了强大的替代方案。然而，这种方法在处理知识图谱（KGs）时也面临局限性，尤其是由于其语义本质，知识图谱可能隐藏巨大的信息。本研究引入了Bi-View，一种新颖的混合方法，通过增加知识图谱中节点特征的 informative 内容，生成增强的图嵌入（GE），用于改进不依赖额外合成数据的GML模型。该方法结合两种互补的GE技术：Node2Vec通过无监督随机漫步捕获结构模式，GraphSAGE以监督方式聚合邻域信息。首先计算Node2Vec嵌入以表示图拓扑结构，然后通过基于中心性的指标丰富节点特征，这些指标作为GraphSAGE模型的输入。此外，融合层将原始Node2Vec嵌入与GraphSAGE影响的表示融合，形成双视角嵌入空间。这种融合捕捉图的拓扑和语义属性，使模型能够利用数据集中可能存在但未显式表示的有用特征。我们的做法在改进下游任务性能方面尤其在初始特征较差的场景中有效，为更准确和精确的知识图谱增强型GML模型提供了基础。
引用
@article{arxiv.2511.13044,
title = {Bi-View Embedding Fusion: A Hybrid Learning Approach for Knowledge Graph's Nodes Classification Addressing Problems with Limited Data},
author = {Rosario Napoli and Giovanni Lonia and Antonio Celesti and Massimo Villari and Maria Fazio},
journal= {arXiv preprint arXiv:2511.13044},
year = {2025}
}
备注
Accepted at the 14th International Joint Conference on Knowledge Graphs (IJCKG) 2025