KMF：面向零样本节点分类的知识感知多面表示学习
机器学习
2023-12-12 v1 人工智能
信息检索
摘要
近来，零样本节点分类（ZNC）已成为图数据分析中一个新兴且关键的任务。该任务旨在预测训练过程中未观测到的未见类节点。现有工作主要利用图神经网络（GNNs）关联特征原型与标签语义，从而实现知识从已见类到未见类的迁移。然而，特征-语义对齐中的多面语义取向被以往工作忽视，即一个节点的内容通常涵盖与多个标签语义相关的多样主题。有必要分离并判断极大影响认知能力的语义因素，以提升模型的泛化性。为此，我们提出知识感知多面框架（KMF），通过提取的基于KG（知识图谱）的主题增强标签语义的丰富性。随后，每个节点的内容被重建为提供与不同标签多面且细粒度语义相关性的主题级表示。由于图实例（即节点）表示的特殊性，发展了新颖的几何约束以缓解节点信息聚合引起的原型漂移问题。最后，我们在多个公开图数据集上进行了广泛实验，并设计了零样本跨域推荐应用。定量结果表明，与最先进基线相比，KMF的有效性与泛化性均得到验证。
引用
@article{arxiv.2308.08563,
title = {KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification},
author = {Likang Wu and Junji Jiang and Hongke Zhao and Hao Wang and Defu Lian and Mengdi Zhang and Enhong Chen},
journal= {arXiv preprint arXiv:2308.08563},
year = {2023}
}