当前位置:网站首页>Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning 论文阅读
Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning 论文阅读
2022-07-06 10:26:00 【kc7w91】
Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning 论文阅读
一、重难点
异质图 : 异质图基本思想速通
双视角: network schema view & meta-path structure view,最后将两个视角得出的节点表征通过对比学习(contrastive learning)进行融合
自监督: 不需要标签信息,直接利用数据本身作为监督信息,可分为对比学习和生成学习两大类。本文即是对比学习,核心思想是讲正样本和负样本在特征空间对比,学习样本的特征表示
二、两种视角
network schema 如图1(b),表示不同类别的节点之间的关系
meta-path 如图1(c),可定义多种元路径作者-文章-作者/文章-主题-文章/…
三、模型定义
1.预处理
将不同类别的节点特征x投影到同一空间,特征长度对齐后记为h
2.network schema
对于一个文章类节点而言,在network schema 视角下将从作者、主题两个类别的节点中学习embedding,不同类别对当前节点的影响程度不同,这一程度值通过类似GAT的方式(引入注意力机制)由模型自主学习得到。每个类别下包含多个节点,不同节点的重要程度各不相同,类内各点重要程度也通过类似GAT的方式学习得到。
类内重要程度alpha(node-level attention):
其中fai_m表示所属节点类别,共m种;a为待学习的参数
通过node-level attention聚合邻居信息:
注:不是聚合所有邻居,有采样操作
将不同类别得到的embedding进行融合
类别重要程度beta(type-level attention):
其中W、b为待学习参数
通过type-level attention聚合不同类别embedding:
3. meta-path
通过元路径得到的是同构图,对每个同构图利用GCN得到各节点的初步表征h:
将不同元路径下得到的节点表征融合(还是类似GAT, semantic-level attention):
其中W、b为待学习参数,beta_fai_n为不同元路径下得到的图的重要程度
根据不同的重要程度,得到meta-path视角下的节点embedding
4. mask
network schema中节点不聚合本身的信息(masked),meta-path中不聚合中转节点的信息,这样将与当前文章相连的节点按类别区分开来,不重复计算。
5.contrastive learning
融合从两个视角得出的节点embedding进而进行判断,首先利用MLP进行映射:
接下来引入contrastive learning
对比学习:某事物的微小变种之间应有较高相似度(positive samples),本质不同的事物之间相似度低(negative samples)。本文正负样本定义如下:
positive:被多条meta-path相连的节点对(强调边的重要性)
negative: others
以i节点的network schema视角下的loss函数为例,将节点对按照meta-path相连条数降序排列,自行设置阈值划分正负样本。划分后有在network schema view下的contrastive loss(meta-path view同理):
其中sim为cos函数,表示两向量之间的相似程度。因为是network schema视角下的loss函数,所以目标embedding(gt)是network schema中的embedding;正负样本的embedding来自meta-path view。正样本对应值尽可能大,负样本对应值尽可能小,loss才能变小。
两视角loss均衡:
6. model extension
难以区分的负样本对提高对比学习模型的性能很有帮助,因此引入新的负样本生成策略:GAN & Mixup
边栏推荐
- Distiller les connaissances du modèle interactif! L'Université de technologie de Chine & meituan propose Virt, qui a à la fois l'efficacité du modèle à deux tours et la performance du modèle interacti
- 2022暑期项目实训(二)
- Principle and usage of extern
- Today in history: the mother of Google was born; Two Turing Award pioneers born on the same day
- The latest financial report release + tmall 618 double top, Nike energy leads the next 50 years
- 阿里云国际版ECS云服务器无法登录宝塔面板控制台
- Redis的五种数据结构
- Codeforces Round #803 (Div. 2)
- Grafana 9.0 is officially released! It's the strongest!
- 具体说明 Flume介绍、安装和配置
猜你喜欢
随机推荐
随着MapReduce job实现去加重,多种输出文件夹
IP, subnet mask, gateway, default gateway
78 year old professor Huake has been chasing dreams for 40 years, and the domestic database reaches dreams to sprint for IPO
UDP protocol: simple because of good nature, it is inevitable to encounter "city can play"
從交互模型中蒸餾知識!中科大&美團提出VIRT,兼具雙塔模型的效率和交互模型的性能,在文本匹配上實現性能和效率的平衡!...
虚拟机VirtualBox和Vagrant安装
C language college laboratory reservation registration system
转载:基于深度学习的工业品组件缺陷检测技术
Windows connects redis installed on Linux
QT中Model-View-Delegate委托代理机制用法介绍
Brief description of SQL optimization problems
The integrated real-time HTAP database stonedb, how to replace MySQL and achieve nearly a hundredfold performance improvement
Redis的五种数据结构
F200 - UAV equipped with domestic open source flight control system based on Model Design
J'aimerais dire quelques mots de plus sur ce problème de communication...
C语言指针*p++、*(p++)、*++p、*(++p)、(*p)++、++(*p)对比实例
2019 Alibaba cluster dataset Usage Summary
高精度运算
Transport layer congestion control - slow start and congestion avoidance, fast retransmission, fast recovery
HMS core machine learning service creates a new "sound" state of simultaneous interpreting translation, and AI makes international exchanges smoother