RHCO：一种用于大规模图的关系感知异构图神经网络与对比学习
机器学习
2022-11-23 v1 人工智能
摘要
异构图神经网络（HGNNs）已广泛应用于异构信息网络的任务中，但当应用于大规模异构图时，多数 HGNNs 存在可扩展性差或表示能力弱的问题。为解决这些问题，我们提出一种新颖的带对比学习的关系感知异构图神经网络（RHCO），用于大规模异构图表示学习。与传统异构图神经网络不同，我们采用对比学习机制来处理大规模异构图的复杂异构性。我们首先在网络模式视图下学习关系感知的节点嵌入。随后我们提出一种新颖的正样本选择策略以挑选有意义的正样本。在正向样本图视图下学习节点嵌入后，我们执行跨视图对比学习以获得最终节点表示。此外，我们采用标签平滑技术来提升 RHCO 的性能。在三个大规模学术异构图数据集上的大量实验表明，RHCO 优于最先进的模型，取得了最佳性能。
引用
@article{arxiv.2211.11752,
title = {RHCO: A Relation-aware Heterogeneous Graph Neural Network with Contrastive Learning for Large-scale Graphs},
author = {Ziming Wan and Deqing Wang and Xuehua Ming and Fuzhen Zhuang and Chenguang Du and Ting Jiang and Zhengyang Zhao},
journal= {arXiv preprint arXiv:2211.11752},
year = {2022}
}