模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2023, Vol. 36 Issue (4): 287-299    DOI: 10.16451/j.cnki.issn1003-6059.202304001
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于拓扑信息和属性信息协同对比的自监督异质图神经网络模型
李超1, 孙国义1, 闫页宇1, 段华3, 曾庆田2
1.山东科技大学 电子信息工程学院 青岛 266590;
2.山东科技大学 数学与系统科学学院 青岛 266590;
3.山东科技大学 计算机科学与工程学院 青岛 266590
Self-Supervised Heterogeneous Graph Neural Network Model Based on Collaborative Contrastive Learning of Topology Information and Attribute Information
LI Chao1, SUN Guoyi1, YAN Yeyu1, DUAN Hua3, ZENG Qingtian2
1. College of Electronic and Information Engineering, Shandong University of Science and Technology, Qingdao 266590;
2. College of Mathematics and Systems Science, Shandong University of Science and Technology, Qingdao 266590;
3. College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao 266590

全文: PDF (917 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 异质图神经网络模型能够充分挖掘异质图的复杂结构和丰富语义,但在模型构建过程中,属性信息和拓扑信息之间存在相互干扰,致使模型的表达能力减弱.因此,文中提出基于拓扑信息和属性信息协同对比的自监督异质图神经网络模型.首先,在拓扑视角和属性视角下分别学习目标节点的表示.然后,利用协同对比算法优化两个视角下的节点表示,降低拓扑信息和属性信息之间的相互干扰.同时,在模型的自监督训练过程中,提出元路径条数与节点拓扑相似度融合的正样本生成方法.在真实数据集上的实验表明,文中模型性能较优.具体模型代码见https://github.com/sun281210/HGTA.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
李超
孙国义
闫页宇
段华
曾庆田
关键词 图神经网络异质图对比学习自监督学习    
Abstract:The complex structure and rich semantics of heterogeneous graphs can be fully explored by heterogeneous graph neural network models. However, there is mutual interference between attribute information and topology information in the model construction process, resulting in weakened expression capability. Therefore, a self-supervised heterogeneous graph neural network model based on collaborative contrastive learning of topology information and attribute information is proposed. Firstly, the representation of the target nodes is learned from both topological and attribute perspectives. Then, the collaborative contrastive algorithm is employed to optimize the node representation from both perspectives, reducing the interference between topology information and attribute information. Additionally, a positive sample generation method combining the number of meta-paths and node topology similarity is proposed in the self-supervised training process of the model. The experiments on real datasets demonstrate the superior performance of the proposed model. The model code can be found at https://github.com/sun281210/HGTA.
Key wordsGraph Neural Network    Heterogeneous Graph    Contrastive Learning    Self-Supervised Learning   
收稿日期: 2023-01-09     
ZTFLH: TP 391  
基金资助:科技创新2030——“新一代人工智能”重大项目(No.2022ZD0119500)、山东省自然科学基金项目(No.ZR2022MF268)资助
通讯作者: 曾庆田,博士,教授,主要研究方向为大数据分析与挖掘、流程挖掘、物联网.E-mail:qtzeng@163.com.   
作者简介: 李 超,博士,副教授,主要研究方向为网络表示学习、社交网络分析、推荐算法.E-mail:1008lichao@163.com.孙国义,硕士研究生,主要研究方向为机器学习、异质图神经网络.E-mail:1139457124@qq.com.闫页宇,硕士研究生,主要研究方向为图表示学习、异质图神经网络.E-mail:yanyeyuwork@foxmail.com.段 华,博士,教授,主要研究方向为社交网络分析、数据挖掘、隐私保护.E-mail:huaduan59@163.com.
引用本文:   
李超, 孙国义, 闫页宇, 段华, 曾庆田. 基于拓扑信息和属性信息协同对比的自监督异质图神经网络模型[J]. 模式识别与人工智能, 2023, 36(4): 287-299. LI Chao, SUN Guoyi, YAN Yeyu, DUAN Hua, ZENG Qingtian. Self-Supervised Heterogeneous Graph Neural Network Model Based on Collaborative Contrastive Learning of Topology Information and Attribute Information. Pattern Recognition and Artificial Intelligence, 2023, 36(4): 287-299.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202304001      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2023/V36/I4/287
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn