利用上下文感知自监督学习增强超边预测
机器学习
2025-01-31 v2 社会与信息网络
摘要
超图可将群体关系（例如共同购买某商品的用户组）自然建模为超边。超边预测旨在预测未来或未观测到的超边，这是许多现实应用（如群组推荐）中的基础任务。尽管超边预测方法近期取得突破，但以下挑战鲜有研究：（C1）如何聚合每个超边候选中的节点以实现准确超边预测？以及（C2）如何缓解超边预测中固有的数据稀疏问题？为同时应对这两大挑战，本文提出一种新颖的超边预测框架（CASH），其采用（1）上下文感知节点聚合以精确捕捉各超边中节点间的复杂关系（对应 C1），以及（2）面向超边预测的自监督对比学习以增强超图表示（对应 C2）。此外，针对（C2），我们提出一种超边感知增强方法，以充分挖掘原始超图背后的潜在语义，并考虑节点级与组级对比（即双重对比）以获得更好的节点与超边表示。在六个真实超图上的大量实验表明，CASH 在超边预测精度上持续优于所有对比方法，且所提各策略均有效提升了 CASH 的模型精度。有关 CASH 的详细信息，我们提供代码与数据集于：https://github.com/yy-ko/cash。
引用
@article{arxiv.2309.05798,
title = {Enhancing Hyperedge Prediction with Context-Aware Self-Supervised Learning},
author = {Yunyong Ko and Hanghang Tong and Sang-Wook Kim},
journal= {arXiv preprint arXiv:2309.05798},
year = {2025}
}
备注
13 pages, 7 figures, 4 tables, accepted in IEEE TKDE