.png){kind=icon}
返回
A novel contrastive multi-view framework for heterogeneous graph embedding
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02346-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异构图以其多样的节点类型和关系结构为特征，作为表示复杂现实世界系统的强大工具。理解这些图中的复杂关系对于各种下游任务至关重要。然而，传统的图嵌入方法通常难以有效表示这些图的丰富语义和异构性。为了应对这一挑战，我们提出了一种新颖的自监督多视图网络（SMHGNN），专门用于异构图的嵌入。SMHGNN利用三种互补视图：元路径、元结构和网络模式，以全面捕捉异构图中节点之间的复杂关系和交互。所提出的SMHGNN采用自监督学习范式，从而消除了对标注数据的需求，同时增强了模型的泛化能力。此外，我们提出了一种创新机制用于识别正负样本，该机制基于一个整合了节点特征和图拓扑的评分矩阵，从而能够有效区分真实的正对和虚假负例。在标准基准数据集上进行的全面实证评估表明，与异构图嵌入领域的尖端方法相比，我们的SMHGNN具有增强的有效性。（与之前的最优方法相比，所提出的方法在节点分类方面实现了0.75%-2.4%的提升，在聚类方面实现了0.78%-2.7%的提升，这一优势在多种数据集上得到体现。）
Keyword:
Heterogeneous graph embedding
Graph neural networks
Self-supervised learning
Meta-paths
Meta-structures
Score matrix
期刊
IF:
3.1
论文数:
564
被引数:
5.2K
机构
引用论文
HetGNN-SF: Self-supervised learning on heterogeneous graph neural network via semantic strength and feature similarityHetgnn-sf: 基于语义强度和特征相似度的异类图神经网络自监督学习.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Heterogeneous Graph Contrastive Learning with Meta-path Contexts and Weighted Negative Samples基于元路径上下文和加权负样本的异构图对比学习
PREAI
分享收藏
metapath2vecProceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Type-adaptive graph Transformer for heterogeneous information networks异构信息网络的类型自适应图变换器APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容