gHAWK：知识图谱上图神经网络可扩展训练的局部与全局结构编码
机器学习
2025-12-10 v1 数据库
摘要
知识图谱(KGs)是结构化异构数据的丰富来源，支撑着广泛的应用。利用这些数据的常见方法是在KG上训练图神经网络(GNN)。然而，现有的消息传递GNN难以扩展到大型KGs，因为它们依赖迭代消息传递过程来学习图结构，这在效率上存在不足，尤其是在小批量训练中，节点只能看到其邻域的局部视图。在本文中，我们解决了这一问题并提出了gHAWK，一个用于大型KGs的新型可扩展GNN训练框架。其核心思想是在GNN训练开始之前，为每个节点预计算捕获其局部与全局结构的特征。具体而言，gHAWK引入了一个预处理步骤，计算：(a) Bloom滤波器以紧凑编码局部邻域结构，(b) TransE嵌入以表示每个节点在图中的全局位置。这些特征随后与任何领域特定特征（如文本嵌入）融合，生成可纳入任何GNN技术的节点特征向量。通过用结构先验增强消息传递训练，gHAWK显著减少了内存使用，加速了收敛，并提升了模型准确性。在Open Graph Benchmark(OGB)大型数据集上的广泛实验表明，gHAWK在节点属性预测和链接预测任务上取得了最先进的准确性和更低的训练时间，在三个图谱的OGB排行榜上位居榜首。
引用
@article{arxiv.2512.08274,
title = {gHAWK: Local and Global Structure Encoding for Scalable Training of Graph Neural Networks on Knowledge Graphs},
author = {Humera Sabir and Fatima Farooq and Ashraf Aboulnaga},
journal= {arXiv preprint arXiv:2512.08274},
year = {2025}
}