【KDD2021】具有共同对比学习的自监督异构图神经网络

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