异构图神经网络(HGNN)作为一种新兴的技术,在处理异构信息网络(HIN)方面表现出优越的能力。然而,大多数HGNN遵循半监督学习方式,这明显限制了它们在现实中的广泛使用,因为标签在实际应用中通常很少。近年来,对比学习,一种自监督的学习方法,成为最令人兴奋的学习模式之一,在没有标签的情况下显示出巨大的潜力。在本文中,我们研究了自监督HGNN的问题,并提出了一种新的HGNN的共同对比学习机制,名为HeCo。不同于传统的对比学习只关注于对正样本和负样本的对比,HeCo采用了跨视角对比机制。具体来说,我们提出了HIN的两种视图(网络模式视图和元路径视图)来学习节点嵌入,从而同时捕获局部和高阶结构。在此基础上,提出了一种跨视图对比学习方法,并提出了一种视图掩码机制,能够从两个视图中提取正面和负面的嵌入信息。这使得两个视图能够相互协作监督,并最终学习高级节点嵌入。此外,设计了两个扩展的HeCo,以产生高质量的硬负样本,进一步提高了HeCo的性能。在各种真实网络上进行的大量实验表明,所提出的方法的性能优于最新的技术。

https://www.zhuanzhi.ai/paper/9af678b0d09538b9cc18ef07a10d9560

成为VIP会员查看完整内容
40

相关内容

异质信息网络是一种信息网络,包含了节点和边,并且该节点和边具有一种或多种类型,异质信息网络包含了更更丰富的语义信息。

信息网络被定义为一个有向网络图G=(V,E),其中,V是所有实体结点的集合,E是所有关系边的集合。并且存在着一个结点类型的映射函数φ:V→A和一个边类型的映射函数Ψ:E→R,对于每个对象v∈V属于一种特殊的对象类型φ(v)∈A,每个链接e∈E属于一种特殊的关系类型Ψ(e)∈R,那么这种网络类型就是信息网络。当对象类型的种类|A|>1或者关系类型的种类|R|>1时,这种信息网络是异质信息网络,否则,它是一种同质信息网络

专知会员服务
45+阅读 · 2021年6月20日
专知会员服务
38+阅读 · 2021年6月13日
专知会员服务
35+阅读 · 2021年5月28日
[CVPR 2021] 序列到序列对比学习的文本识别
专知会员服务
28+阅读 · 2021年4月14日
专知会员服务
22+阅读 · 2021年3月23日
专知会员服务
61+阅读 · 2021年3月12日
【WWW2021】少样本图学习分子性质预测
专知会员服务
35+阅读 · 2021年2月20日
专知会员服务
43+阅读 · 2020年12月13日
【MIT】硬负样本的对比学习
专知会员服务
39+阅读 · 2020年10月14日
专知会员服务
73+阅读 · 2020年9月1日
【NeurIPS2020 】数据扩充的图对比学习
专知
9+阅读 · 2020年11月9日
【MIT】硬负样本的对比学习
专知
13+阅读 · 2020年10月15日
【ICML2020】对比多视角表示学习
专知
18+阅读 · 2020年6月28日
基于 GNN 的图表示学习
DataFunTalk
9+阅读 · 2020年1月17日
KDD 2019论文解读:异构信息网络上的对抗生成学习
云栖社区
22+阅读 · 2019年8月21日
Arxiv
5+阅读 · 2020年10月21日
Contrastive Representation Distillation
Arxiv
5+阅读 · 2019年10月23日
VIP会员
相关VIP内容
专知会员服务
45+阅读 · 2021年6月20日
专知会员服务
38+阅读 · 2021年6月13日
专知会员服务
35+阅读 · 2021年5月28日
[CVPR 2021] 序列到序列对比学习的文本识别
专知会员服务
28+阅读 · 2021年4月14日
专知会员服务
22+阅读 · 2021年3月23日
专知会员服务
61+阅读 · 2021年3月12日
【WWW2021】少样本图学习分子性质预测
专知会员服务
35+阅读 · 2021年2月20日
专知会员服务
43+阅读 · 2020年12月13日
【MIT】硬负样本的对比学习
专知会员服务
39+阅读 · 2020年10月14日
专知会员服务
73+阅读 · 2020年9月1日
微信扫码咨询专知VIP会员