基于元路径上下文与自适应加权负样本的异质图对比学习
机器学习
2024-04-08 v3
摘要
异质图对比学习近来受到广泛关注。一些现有方法使用元路径（即刻画对象间语义关系的对象类型序列）来构建对比视图。然而，它们大多忽略了描述两个对象如何通过元路径相连的丰富元路径上下文信息。此外，它们未能区分负样本，这可能对模型性能产生不利影响。为解决这些问题，我们提出MEOW，它同时考虑元路径上下文与加权负样本。具体而言，MEOW构建粗粒度视图与细粒度视图进行对比：前者反映哪些对象由元路径连接，后者利用元路径上下文并刻画对象如何被连接的具体细节。接着，我们从理论上分析InfoNCE损失，并指出其在计算负样本梯度时的局限性。为更好区分负样本，我们基于节点聚类为其学习硬值权重，并利用原型对比学习拉近同一簇中节点的嵌入。此外，我们提出变体模型AdaMEOW，自适应学习负样本的软值权重以进一步改进节点表示。最后，我们进行了大量实验，表明MEOW与AdaMEOW相对于其他最先进方法的优越性。
引用
@article{arxiv.2212.13847,
title = {Heterogeneous Graph Contrastive Learning with Meta-path Contexts and Adaptively Weighted Negative Samples},
author = {Jianxiang Yu and Qingqing Ge and Xiang Li and Aoying Zhou},
journal= {arXiv preprint arXiv:2212.13847},
year = {2024}
}
备注
This paper has been accepted by TKDE as a regular paper