Self-Supervised Aggregation Framework for Text-Attributed Heterogeneous Graphs Representation

doi:10.1109/TKDE.2026.3683100

Self-Supervised Aggregation Framework for Text-Attributed Heterogeneous Graphs Representation

2026-04-13

0

PRE

AI

DOI：10.1109/TKDE.2026.3683100

原文链接

原文求助

摘要

En 中文

文本属性异构图（TAHG）整合拓扑关系与丰富的文本节点属性，为复杂多面数据提供表达性表示。尽管近期方法联合利用文本和结构信息，但仍存在两大关键局限：一是现有方法受限于邻域建模，无法捕捉高阶拓扑中的语义依赖；二是当前技术缺乏统一的对齐策略，限制了跨模态的动态交互。为解决这些挑战，我们提出SATH，一种用于TAHG的自监督信息聚合模型，旨在有效利用TAHG中的文本和结构信息。SATH通过对比学习聚合高阶邻域文本属性，并通过统一策略动态将这些属性对齐至高阶拓扑。该方法有效整合两类信息，增强了下游任务中学得节点表示的表达力和判别能力。在真实数据集上的大量实验表明，SATH显著优于基线模型，且无需手动元路径设计或文本特征拼接，同时提升了大规模TAHG上的效率和可扩展性，在基于TAHG的任务中实现了更优的表示质量。

Keyword:

Node representation

contrastive learning

self-supervised learning

text-attribute heterogeneous graph

Self-Supervised Aggregation Framework for Text-Attributed Heterogeneous Graphs Representation

摘要

期刊

机构

引用论文