增强同配-异配分离：异构图中的关系感知学习

现实世界的网络通常具有节点异配性，即相连的节点通常具有不同的特征或不同的标签。这种异配性问题在同构图中已被广泛研究，但在包含多种类型节点和边的异构图中仍探索不足。在异构图中捕捉节点异配性非常具有挑战性，因为必须同时仔细考虑节点/边异质性与节点异配性。现有方法通常将异构图转换为同构图来学习节点异配性，这不可避免地会丢失由异构关系所传达的潜在异配性。为了弥补这一空白，我们提出了同配与异配的关系感知分离（RASH），这是一种新颖的对比学习框架，能够显式地建模异构交互的高阶语义，并自适应地分离同配和异配模式。具体而言，RASH引入了双重异构超图来编码多关系二部子图，并基于关系重要性动态构建同构图和异配图。设计了多关系对比损失，通过最大化互信息来对齐异构视图与同配/异配视图。通过这种方式，RASH同时解决了异构图中异质性和异配性的挑战。在基准数据集上的大量实验证明了RASH在各种下游任务上的有效性。代码可在以下地址获取：https://github.com/zhengziyu77/RASH。