摘要
在异构知识图中估计节点重要性是推荐、搜索和知识决策系统中的一个基本问题。现有大多数方法依赖于成对消息传递机制，未能捕捉由元关系结构引发的高阶交互。此外，结构拓扑和语义属性通常在统一的嵌入空间中交织，这模糊了它们各自的归纳偏差，限制了学习到的重要性表示的区分能力。
为了解决这些局限性，我们提出了DualHNIE，这是一种原则性的双通道超图学习框架，旨在进行节点重要性估计。DualHNIE首先通过从元路径序列中形成类型超边构建高阶知识图，从而显式建模高阶关系模式。接着，它引入了两个互补的编码器：一个结构感知的超图注意网络，针对元路径诱导的超边进行局部归一化聚合，以捕获局部结构依赖；另一个是稀疏分块的超图变换器，能够捕获全局语义交互，同时保持可扩展的计算效率。
我们进一步设计了一种对比对齐机制，结合辅助监督，确保跨视图一致性，同时保留特定模态的表示。在多个基准数据集上的广泛实验表明，DualHNIE超越了现有的最先进方法，验证了显式高阶建模和解耦双通道表示学习在异构知识图中的有效性。
代码和数据集可在 GitHub 获取。
博主点评： DualHNIE通过引入高阶知识图和双通道学习框架，显著提升了异构知识图中节点重要性的估计精度，展示了在结构和语义交互建模上的创新。这一方法为未来的图学习研究提供了新的思路，值得深入关注。