MetaHGNIE：基于元路径诱导的异构知识图谱超图对比学习
人工智能
2025-12-16 v1 机器学习
摘要
异构知识图谱中的节点重要性估计（NIE）是关键且具有挑战性的任务，对于推荐、知识推理和问答等应用至关重要。现有方法常仅依赖成对关联，忽略多个实体和关系之间的高阶依赖，同时将结构和语义信号独立处理，导致跨模态集成效果受限。为此，我们提出MetaHGNIE，一种基于元路径诱导的超图对比学习框架，用于解耦和对齐结构与语义信息。MetaHGNIE通过元路径序列构建更高阶的知识图谱，其中带类型超边捕获多实体关系上下文。结构依赖通过局部注意力聚合，而语义表示则通过配备稀疏分块的超图转换器编码。最后，采用对比学习并辅以监督信号，多模态融合模块集成结构和语义嵌入，确保跨模态对齐的鲁健性。大量基准NIE数据集上的实验表明，MetaHGNIE consistently优于当前最先进的基线方法。这些结果凸显了在异构知识图谱中显式建模高阶相互作用和跨模态对齐的有效性。我们的代码已公开于https://github.com/SEU-WENJIA/DualHNIE
引用
@article{arxiv.2512.12477,
title = {MetaHGNIE: Meta-Path Induced Hypergraph Contrastive Learning in Heterogeneous Knowledge Graphs},
author = {Jiawen Chen and Yanyan He and Qi Shao and Mengli Wei and Duxin Chen and Wenwu Yu and Yanlong Zhao},
journal= {arXiv preprint arXiv:2512.12477},
year = {2025}
}