同质性增强的异构图提示学习方法

摘要

图神经网络在多个不同领域展现出巨大潜力，然而传统的图神经网络方法通常依赖大量标注数据进行训练，而在实际应用中，标注大量数据往往代价高昂且费时费力.近年来，提示学习作为一种新兴的预训练模型范式，在Few-shot、Zero-shot等低资源场景中表现出色.图提示学习是一种新颖的图预训练和提示框架，能够通过少量标注数据实现图数据的多任务处理，有效弥合预训练任务与下游任务之间的差距.然而，现有图提示学习方法在处理异构图时，忽视了图数据复杂的内在结构，特别是未能充分挖掘异构图中蕴含的同质性特征.为了解决该问题，本文提出了一种同质性增强的异构图提示学习方法，旨在提升图神经网络在异构图中的表现.具体而言，设计了基于元路径的同质子图提取方法，并结合同质性软聚类技术，有效捕捉节点间的节点相似性关系，从而优化图提示效果.实验结果表明，所提出的方法在多个基准数据集上优于现有技术，表现出更强的性能和效果.

关键词

图神经网络 / 图提示学习 / 异构图 / 同质性 / 元路径

基金资助

国家重点研发计划“工业软件”重点专项项目(2022YFB3305602)资助; 国家自然科学基金联合基金重点项目(U23B2029)资助;国家自然科学基金项目(62272198,62272198,62276277)资助; 教育部人文社会科学研究规划基金项目(22YJAZH110)资助; 广东省数据安全与隐私保护重点实验室项目(2023B1212060036)资助; 粤港数据安全与隐私保护联合实验室项目(2023B1212120007)资助; 暨南大学博士研究生拔尖创新人才培育计划项目(2023CXB022)资助