【WWW2024】HetGPT：在预训练的异质图神经网络中利用提示微调的力量

图已经成为表示和分析网络复杂模式和丰富信息的自然选择，使得在线页面分类和社交推荐等应用成为可能。在图机器学习任务中，特别是在标记节点有限的情况下，普遍采用了“预训练，微调”范式。然而，这种方法经常表现出预文本任务的训练目标与下游任务的训练目标之间的不一致。这种差距可能导致“负向迁移”问题，即预训练获得的知识对下游任务的性能产生不利影响。自然语言处理（NLP）中基于提示的学习的兴起表明，将“预训练，提示”范式适应于图的潜力**。然而，现有的图提示技术专门针对同质图，忽略了Web图的固有异质性。为了弥补这一差距，我们提出了HetGPT，一个通用的后训练提示框架，用于提高预训练的异质图神经网络（HGNNs）的预测性能**。关键是设计一种新颖的提示函数，整合虚拟类提示和异质特征提示，目的是重构下游任务以模仿预文本任务。此外，HetGPT引入了一种多视图邻域聚合机制，捕捉异质图中复杂的邻域结构。在三个基准数据集上的广泛实验表明HetGPT能够提高最新技术HGNNs在半监督节点分类上的性能。