.png){kind=icon}
返回
Disentangled hyperbolic representation learning for heterogeneous graphs
.png){kind=icon}
OA
AI
DOI：10.1016/j.knosys.2025.112976.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
异质图近年来因其能够表征复杂现实世界系统的显著能力而吸引了大量研究兴趣。然而，现有方法在将异质图嵌入低维空间时存在两个痛点：(1) 异质图包含结构和语义信息，但这些方面在原始数据中常被混合，阻碍了有效的表示学习；(2) 大多数现实世界异质图在整体图和单一边类型上均表现出幂律分布，与欧氏空间存在不匹配（现有方法大多基于欧氏空间构建）。这两大挑战要求表示方法需在解耦信息的同时考虑整体图和单一边类型的分布。为此，我们提出了Dis-H2GCN（解耦双曲异质图卷积网络）。一方面，我们利用互信息最小化和判别最大化约束，通过为每种边类型独立进行消息传播，从全面学习的表示中解耦语义特征，使其与纯结构特征分离；另一方面，整个模型基于双曲几何构建，以缩小数据分布与表示空间之间的差距。我们在五个真实异质图数据集的两个下游任务（节点分类和链路预测）上评估了所提Dis-H2GCN的性能，结果表明其优于当前最先进的方法。
Keyword:
Heterogeneous graph
Hyperbolic geometry
Disentangling representation
Graph neural network
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
GoMIC: Multi-view image clustering via self-supervised contrastive heterogeneous graph co-learning
OAAI
OAAI分享收藏Representation Learning for Attributed Multiplex Heterogeneous Network.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏ArnetMinerProceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏Joint multi-label learning and feature extraction for temporal link prediction面向时序链路预测的联合多标签学习和特征提取PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容