CHMA-Net:用于异构图表示学习的对比三元组网络,结合多尺度增强技术

《Experimental Parasitology》:CHMA-Net: Contrastive Triplet Networks for Heterogeneous Graph Representation Learning with Multiscale Augmentation

【字体: 大 中 小 】 时间:2026年05月01日 来源:Experimental Parasitology 1.6

编辑推荐:

  向秀丽|池焕焕|姜旭初|王宗高 武汉纺织大学经济学院,中国湖北武汉430200 **摘要** 在异构图中学习具有区分性的节点表示对于节点分类和聚类等智能任务至关重要。尽管图对比学习作为一种自监督范式具有巨大潜力,但其有效性在很大程度上取决于构建信息丰富且语义一致的视

  向秀丽|池焕焕|姜旭初|王宗高
武汉纺织大学经济学院,中国湖北武汉430200

**摘要**
在异构图中学习具有区分性的节点表示对于节点分类和聚类等智能任务至关重要。尽管图对比学习作为一种自监督范式具有巨大潜力,但其有效性在很大程度上取决于构建信息丰富且语义一致的视图,而在异构图中,这一问题因多类型交互、高阶语义以及传统增强策略的刚性而变得更加复杂。为了解决这些挑战,本文提出了CHMA-Net,这是一个在语义、结构和特征维度上进行多尺度增强的对比框架。该模型结合了元路径感知的语义增强、拓扑重构和统一特征扰动,以生成互补且连贯的视图。这些视图通过三元组图神经网络进行编码,并通过跨视图和跨网络的双重对比目标进行优化。这种设计产生了稳健且高度区分性的节点嵌入。在五个基准数据集上的广泛实验表明,CHMA-Net在节点分类和聚类任务中始终优于现有方法,突显了其在异构图表示学习中的有效性、鲁棒性和泛化能力。

**引言**
现实世界中的复杂系统,如社交平台(Tang等人,2024年);学术引用网络(Xia、Li、Tang和Yang,2023a年);以及推荐系统(Tang、Zhang、Zhang和Wang,2026年),本质上都涉及通过多种关系相互连接的多种实体类型。这种固有的异构性反映了丰富的语义多样性和结构复杂性,为有效的表示学习带来了重大挑战。异构图(HGs)通过整合多种节点和边类型,提供了一个统一的框架来表示这些系统,从而捕捉高阶语义依赖性和复杂的结构交互(Zhang、Zhang、Liao、Li和Wang,2025b年)。从异构图中学习具有区分性和语义意义的节点表示对于包括节点分类(Fu、Zhang、Meng和King,2020年)、链接预测(Zhang和Jiang,2024年)以及聚类(Zhu、Qiu和Zhao,2025a年)在内的广泛下游任务至关重要。

近年来,异构图神经网络(HGNNs)在表示学习方面取得了显著进展。然而,大多数基于HGNN的方法严重依赖于大量标记数据(Yang、Hu、Zhou、Liu和Zhu,2024年),而这些数据在现实世界场景中往往成本高昂且难以获取。为了缓解这一限制,自监督学习,特别是图对比学习(GCL),已成为一种有前景的范式(Chen等人,2023年)。通过构建多个增强视图并最大化它们之间的一致性,GCL能够学习到稳健且不变的表示(Bu、Cao、Zheng和Pan,2024a年)。然而,其有效性在很大程度上取决于生成视图的质量(Bo、Shi、Wang和Liao,2023年),这在异构图中尤其具有挑战性。

尽管最近取得了进展,现有方法仍存在一些局限性:
- **语义保留不足**:异构图中的高阶语义通常通过元路径来捕获(Mo等人,2024b年)。虽然先前的工作利用元路径生成视图(Zhu、Zhu、Zhang和Jiang,2025b年),但它们往往侧重于结构连通性,而忽略了沿这些路径编码的丰富上下文语义。此外,不同的语义视图通常被独立处理,缺乏有效的跨视图集成机制。
- **由结构异构性引起的语义不一致**:与同构图不同,异构图表现出多样且类型依赖的连通模式。直接邻居聚合可能会引入语义不一致性(Shen和Kang,2025年),因为相邻节点可能属于不同的语义空间,从而降低表示质量。
- **增强策略的泛化能力有限**:现有的图增强方法往往是特定于任务的。例如,边扰动可能会破坏关键结构,而子图采样可能会丢弃全局信息(Luo等人,2024年)。这样的设计限制了对比框架在异构环境中的泛化能力。

为了解决这些挑战,我们提出了CHMA-Net,一种具有多尺度增强的新型异构图对比学习框架。具体来说,我们设计了一个元路径感知的语义增强模块,并结合了跨视图融合来捕捉高阶语义并整合互补信息。为了减轻语义不一致性,我们引入了一种基于相似性的拓扑重构策略,以增强语义上连贯的连接同时抑制噪声。此外,我们开发了一种具有可学习扰动的统一特征级增强机制,以实现灵活和自适应的视图生成。通过整合语义、结构和特征级的增强,CHMA-Net构建了多样且一致的视图,这些视图通过三元组图神经网络进行编码,并通过跨视图和网络的双重对比目标进行优化。这种设计有助于学习稳健且具有区分性的节点表示。

**本文的主要贡献如下:**
- 本文提出了一个多尺度增强框架,联合建模语义、结构和特征级信息,解决了在异构图中构建信息丰富且语义一致的对比视图的挑战。
- 本文设计了一个三元组图神经网络,结合了跨视图和跨网络对比学习,以减轻由异构结构引起的语义不一致性,并提高了学习表示的鲁棒性。
- 在五个基准数据集上的广泛实验表明,CHMA-Net在节点分类和聚类任务中始终优于现有方法,突显了其有效性和泛化能力。

**数据增强**
图数据的质量从根本上决定了图神经网络(GNNs)的性能,然而现实世界中的图通常受到不完整性、噪声和冗余的影响。数据增强通过生成语义一致的变体来缓解这些问题,从而提高模型的鲁棒性(Wu等人,2024年)。现有方法主要在两个维度上操作:拓扑和节点属性。结构增强会修改连通性,但可能会移除信息节点或破坏...

**初步**
为了更好地描述异构图表示学习模型,本节提供了异构图及其相关概念的正式定义。
**定义1.(异构图):**异构图定义为G=(V,E,φ,?),其中V和E分别表示节点集和边集。节点v∈V和边e=〈v,v′〉∈E的映射函数定义为φ(v):V→O和?(e):E→R,其中O和R分别表示节点类型和边类型集合,且|O|+|R|>2...

**提出的模型**
本文介绍了一个用于异构图对比视图学习的新型框架,称为CHMA-Net,其整体架构如图2所示。该框架包括三个主要组成部分:(1)基于元路径的编码和增强模块,从图中提取局部和高阶语义模式并生成多个互补视图;(2)三元组图神经网络模块,对这些视图进行编码并强制执行表示...

**数据集**
为了与现有工作进行比较,我们选择了五个具有不同结构特征的数据集进行评估。这些数据集在图拓扑上存在显著差异,其关键属性在表1中总结。
- **ACM:**来自计算机科学领域的引用网络,包含四种节点类型——论文、作者、会议和关键词。论文节点作为标记目标。
- **Freebase:**一个大规模的通用知识图,涵盖了...

**讨论**
本文提出了一个用于异构图表示学习的三元组图神经网络框架。通过集成协同设计的多层次增强,该模型在语义、结构和特征维度上捕获了细粒度信息。结合跨视图和跨网络对比学习,它学习了具有更好区分性和一致性的节点表示。在五个公共数据集上的实验结果表明,所提出的方法...

**结论**
本文提出了CHMA-Net,一种新型的异构图对比学习框架。通过联合整合三种互补机制——语义融合、结构重构和特征扰动,该方法有效减轻了语义不一致性、结构噪声以及现有增强策略的有限泛化能力。结合跨视图和跨网络对比学习,它能够学习到更加稳健和具有区分性的节点表示。

**作者声明**
向秀丽:概念化、监督。
池焕焕:可视化、方法论。
姜旭初:概念化、验证。
王宗高:撰写——原始草稿准备、软件。

**作者贡献声明**
向秀丽:概念化、撰写——审阅与编辑、监督。
池焕焕:撰写——审阅与编辑。
姜旭初:概念化、监督。
王宗高:概念化、撰写——原始草稿。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号