基于元路径结构信息的异质图自监督学习
机器学习
2022-09-12 v1 计算机视觉与模式识别
摘要
图神经网络（GNNs）是通过学习通用节点表示来建模和处理图结构数据的主导范式。训练 GNN 的传统方式依赖大量标注数据，导致对成本与时间的高要求。在某些特殊场景下，这甚至不可行。自监督表示学习可通过图结构数据自身生成标签，是解决该问题的潜在途径。而异质图的自监督学习研究比同质图更具挑战性，且相关研究较少。本文提出一种基于元路径结构信息的异质图自监督学习方法（SESIM）。所提模型可通过预测各元路径中节点间跳跃数来构建预文本任务，以提升主任务的表示能力。为预测跳跃数，SESIM 利用数据自身生成标签，避免了耗时的人工标注。此外，在各元路径中预测跳跃数可有效利用图结构信息，即节点间的本质属性，从而深化模型对图结构的理解。最后，我们联合训练主任务与预文本任务，并使用元学习来平衡预文本任务对主任务的贡献。实证结果验证了 SESIM 方法的性能，并表明该方法能提升传统神经网络在链接预测任务与节点分类任务上的表示能力。
引用
@article{arxiv.2209.04218,
title = {Self-supervised Learning for Heterogeneous Graph via Structure Information based on Metapath},
author = {Shuai Ma and Jian-wei Liu and Xin Zuo},
journal= {arXiv preprint arXiv:2209.04218},
year = {2022}
}
备注
32 pages