FHGE：一种针对 ad-hoc 元路径的快速异构图嵌入
机器学习
2025-02-25 v1
摘要
图神经网络 (GNN) 已成为解决多种图相关任务的前沿技术，在异构图 (HetG) 中广泛应用，元路径有助于编码各种节点类型之间的特定语义。尽管现有异构图神经网络 (HGNN) 因其聚焦于提高异构性捕获效果而展现出革命性的表示能力，但巨大的训练成本阻碍了其在实际场景中的部署，这些场景经常需要处理带有用户定义元路径的 ad-hoc 查询。为此，我们提出 FHGE，即一种针对高效、无需重新训练的 meta-path 指导图嵌入生成的快速异构图嵌入。该框架的关键设计包含两个方面：分段和重构模块。它采用元路径单元 (MPU) 将图分割为局部和全局组件，使能够 swift 集成来自相关 MPU 的节点嵌入，并在重构期间允许快速适应特定元路径。此外，应用双注意力机制以增强语义捕获。广泛的实验结果表明，FHGE 在生成 meta-path 指导图嵌入以及下游任务（如链接预测和节点分类）方面有效且高效，凸显其在 ad-hoc 查询中实现实时图分析的显著优势。
引用
@article{arxiv.2502.16281,
title = {FHGE: A Fast Heterogeneous Graph Embedding with Ad-hoc Meta-paths},
author = {Xuqi Mao and Zhenying He and X. Sean Wang},
journal= {arXiv preprint arXiv:2502.16281},
year = {2025}
}