基于 Metapath 的双曲对比学习用于异构图嵌入

双曲空间具有常数负曲率和指数级空间扩张，与异构图的结构属性高度吻合。然而，尽管异构图天然具备多样化的幂律结构，但大多数双曲异构图嵌入模型仅依赖单一双曲空间，可能无法有效捕捉异构图内部的多样化幂律结构。为此，我们提出了基于 Metapath 的双曲对比学习框架（MHCL），通过多个双曲空间捕捉异构图中复杂结构的多样性。具体而言，通过学习每个双曲空间来描述与每个 Metapath 对应的复杂结构分布，从而有效捕捉语义信息。由于 Metapath 嵌入代表不同的语义信息，在聚合获取节点表示时保持其判别性至关重要。因此，我们采用对比学习方法优化 MHCL，提高 Metapath 嵌入的判别性。具体做法是，在双曲空间中最小化相同 Metapath 嵌入之间的距离，最大化不同 Metapath 嵌入之间的距离，从而提升语义信息互异的 Metapath 嵌入的可分离性。我们进行了全面的实验评估 MHCL 的有效性。实验结果表明，MHCL 在各种图机器学习任务中超越了最先进的基线方法，有效捕捉了异构图的复杂结构。