基于异构感知和对比学习的图推理机制

摘要

传统图神经网络(GNN)通常局限于预设任务,依赖明确的标记数据和固定的训练机制,导致其在处理开放式任务时灵活性不足;现有图神经网络和大型语言模型的交叉领域(GNN-LLM)的研究多聚焦于同质化的文本属性图,未考虑到节点异质性问题。针对异构特征表征空间错位和开放域任务泛化的问题,本文提出了一个异构感知图学习联合对比学习的多跳图形推理机制:该模型基于元路径对称性解耦并重构异构子图,通过差异化注意力机制和层次化特征聚合算法,实现拓扑嵌入与语义表示的高效融合;针对模态对齐难题,采用渐进式阶段优化策略训练图形查询转换器;基于对比学习方法弥合模态差异,通过自监督的图文匹配建立细粒度特征关联,融合语言建模目标促使模型生成问题的有效回答。实验结果表明,该模型兼具预定义任务适配性与开放场景泛化性,在异构网络问答任务中展现出对未见问题的高质量推理能力。

关键词

异构图 / 复杂网络 / 对比学习 / 模态差异 / 特征关联