Generative-Contrastive Heterogeneous Graph Neural Network

doi:10.1109/TBDATA.2025.3570082

Generative-Contrastive Heterogeneous Graph Neural Network

2025-05-14

0

PRE

AI

DOI：10.1109/TBDATA.2025.3570082

原文链接

原文求助

摘要

En 中文

异质图（HGs）通过多类型节点和边有效地对现实世界中的复杂关系进行建模。近年来，受自监督学习（SSL）启发，基于对比学习（CL）的异质图神经网络（HGNNs）在利用数据增强和对比判别器方面为下游任务展现了巨大潜力。然而，由于图数据的完整性，数据增强仍受限。此外，对比判别器存在采样偏差且缺乏局部异质信息。为解决上述局限性，我们提出了一种新颖的生成-对比异质图神经网络（GC-HGNN）。具体而言，我们提出了一种增强CL范式的异质图生成学习方法。该范式包括：1）基于掩码自动编码器的对比视图增强策略。2）用于生成硬负样本的位置感知和语义感知正样本采样策略。3）旨在捕获局部和全局信息的分层对比学习策略。此外，分层对比学习和采样策略旨在从生成-对比视角构成增强型对比判别器。最后，我们在八个真实数据集上与十七个基线模型进行比较。我们的模型在节点分类和链接预测任务上超越了最新基线。

Keyword:

Self-supervised learning (SSL)

heterogeneous graph neural networks

contrastive learning (CL)

generative learning

Generative-Contrastive Heterogeneous Graph Neural Network

摘要

期刊

机构

引用论文