.png){kind=icon}
返回
Information flow optimization for adaptive neighbor selection graph embedding
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-23811-4.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在异构图表示学习领域，传统方法在面对多样节点类型和复杂关系时，往往过度依赖人工设计的元路径和邻居聚合机制。这种依赖性使得模型在信息稀疏或邻居不足的情况下难以自适应优化，常导致过度信息平滑和表示能力不足，进而影响节点表示的区分度及任务效果。为解决这些局限性，本文提出名为GraphFlow的框架，基于信息流优化和潜在邻居选择机制，旨在通过优化信息传播增强节点间关联的学习。该框架通过动态优化信息流路径和自适应选择潜在邻居，超越了对邻居的固定依赖，能够灵活有效地捕获图中隐含但高度相关的邻居，即使在信息稀疏或缺乏直接邻居的情境下也能实现。具体而言，通过整合HodgeRank排序和自适应元路径生成，本方法不仅有效精炼了邻居选择过程，还允许在多层级、多关系图结构中自适应建模节点间的深层语义关系。这显著提升了节点表示的区分度，并促进了信息流的顺畅传播。在多个公开异构图数据集上进行的广泛实验验证，所提GraphFlow方法在节点分类和链路预测等任务的大部分评估指标上均优于基线方法。值得注意的是，在节点类型复杂、关系多样的异构图数据集上，该方法表现出卓越性能，显著提升了模型的区分度和泛化能力。
Keyword:
Heterogeneous graph representation learning
information flow optimization
neighbor selection mechanism
adaptive meta path generation
graph convolutional 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
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
分享收藏Group attention for collaborative filtering with sequential feedback and context aware attributes.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
分享收藏 没有更多内容
没有更多内容