面向异质信息网络中增强特征提取的自监督图神经网络
机器学习
2024-10-24 v1
摘要
本文探讨了图神经网络（GNN）在处理因互联网快速发展而产生的复杂图数据时的应用与挑战。鉴于图数据通常存在的异质性和冗余性问题，传统的 GNN 方法可能过度依赖图的初始结构和属性信息，这限制了其准确模拟图中更复杂关系和模式的能力。因此，本研究提出了一种自监督学习框架下的图神经网络模型，该模型能够灵活地结合属性图及其节点的不同类型附加信息，从而更好地挖掘图数据中的深层特征。通过引入自监督机制，有望提高现有模型对图数据多样性和复杂性的适应性，并提升模型的整体性能。
引用
@article{arxiv.2410.17617,
title = {Self-Supervised Graph Neural Networks for Enhanced Feature Extraction in Heterogeneous Information Networks},
author = {Jianjun Wei and Yue Liu and Xin Huang and Xin Zhang and Wenyi Liu and Xu Yan},
journal= {arXiv preprint arXiv:2410.17617},
year = {2024}
}