M2HGCL:多尺度元路径集成的异质图对比学习
机器学习
2023-09-06 v1 人工智能
摘要
受对比学习在图上成功应用的启发,研究者尝试将图对比学习方法施加于异质信息网络。与同质图正交,异质图中节点与边的类型多样,因此需要专门的图对比学习方法。现有大多数异质图对比学习方法通过将异质图转化为同质图来实现,这可能引发不良后果:非目标节点所携带的有价值信息被削弱,从而加剧对比学习模型性能退化。此外,当前异质图对比学习方法主要基于数据集给定的初始元路径,而根据我们的深入探究,得出经验结论:仅初始元路径不能包含足够判别性信息;且各类元路径能有效提升异质图对比学习方法的性能。为此,我们提出一种新的多尺度元路径集成异质图对比学习(M2HGCL)模型,其摒弃传统的异质-同质转换并以联合方式执行图对比学习。具体而言,我们扩展元路径并联合聚合直接邻居信息、初始元路径邻居信息与扩展元路径邻居信息,以充分捕获判别性信息。进一步施加一种特定的正采样策略以弥补对比学习的内在缺陷,即难负样本采样问题。通过在三个真实世界数据集上的大量实验,我们证明 M2HGCL 优于当前最先进的基线模型。
引用
@article{arxiv.2309.01101,
title = {M2HGCL: Multi-Scale Meta-Path Integrated Heterogeneous Graph Contrastive Learning},
author = {Yuanyuan Guo and Yu Xia and Rui Wang and Rongcheng Duan and Lu Li and Jiangmeng Li},
journal= {arXiv preprint arXiv:2309.01101},
year = {2023}
}
备注
Accepted to the conference of ADMA2023 as an Oral presentation