.png){kind=icon}
返回
Node Importance Estimation via Multi-View Graph Prompting
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSE.2025.3608483.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
节点重要性估计涉及为图中的每个节点分配一个全局重要性分数，这对包括推荐、网络解构等在内的各种后续任务至关重要。先前的研究涉及使用节点标签和结构信息预训练分类任务，随后将节点重要性分数的计算作为下游回归任务。然而，预训练任务与下游任务之间的一致性差异导致负迁移现象。本文提出通过实施多视角技术来缩小节点重要性估计中的差距，包括用于上下文的节点视角和用于结构的图视角。具体而言，在节点视角中，我们通过编码节点信息设计软提示，使模型能够在语义上下文中捕获结构特征；随后，通过插入提示模式将下游节点回归任务与预训练对齐。在图视角中，我们引入虚拟节点，这些节点根据节点重要性可学习地插入，以创建提示图。原始图中高重要性节点连接更多的虚拟节点，改善其在后续传播步骤中的嵌入。这种增强提高了下游任务中的重要性分数，有效提升模型区分重要节点的能力。此外，不同视角的提示通过多视角对比学习进行融合，以进一步增强节点嵌入的表达能力。我们在四个公开数据集上对模型进行了实证评估，结果表明其显著且持续优于其他最先进的方法。
Keyword:
Node importance estimation
graph representation learning
graph neural network
node ranking
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
Graph global attention network with memory: A deep learning approach for fake news detection.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Node importance estimation leveraging LLMs for semantic augmentation in knowledge graphs利用LLMs进行知识图谱语义增强的节点重要性评估
PREAI
分享收藏Node importance evaluation in heterogeneous network based on attention mechanism and graph contrastive learning基于注意力机制和图对比学习的异构网络节点重要性评估NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容