基于最优传输的图结构对比学习：面向异构文本属性图

最近，结构-文本对比学习在文本属性图上通过利用图神经网络和语言模型的互补优势显示出良好的性能。然而，现有方法通常依赖于相似性估计中的同质性假设和硬优化目标，这限制了其在异构图上的应用。虽然现有方法可以通过结构调整或邻居聚合来缓解异构性，但通常将文本嵌入视为静态目标，导致配准次优。在本工作中，我们识别了文本属性图中多粒度异构性，包括完全异构性、部分异构性和潜在同质性，这使得结构-文本对齐尤其具有挑战性 due to 混合、噪声和缺失的语义相关性。为实现灵活且双向的对齐，我们提出了GCL-OT，即一种基于最优传输的图结构对比学习框架，具备针对每种异构性类型的定制机制。具体而言，对于部分异构性，我们设计了基于RealSoftMax的相似性估计器，以强调关键邻居-词互动，同时减轻背景噪声。对于完全异构性，我们引入了基于提示的滤波器，在最优传输对齐期间自适应地排除无关噪声。此外，我们纳入OT引导的软监督，以发现具有相似语义的潜在邻居，增强潜在同质性的学习。理论分析表明，GCL-OT可以改进互信息界限和贝叶斯误差保证。在九个基准数据集上的大量实验表明，GCL-OT优于最先进的方法，显示其有效性和鲁棒性。