Aprendizado Contrastivo em Grafos Heterogêneos Com Contextos de Meta-Caminhos e Amostras Negativas Pesadas Adaptativamente

O aprendizado contrastivo em grafos heterogêneos recebeu ampla atenção recentemente. Alguns métodos existentes utilizam meta-caminhos, que são sequências de tipos de objetos que capturam relações semânticas entre objetos, para construir visões contrastivas. No entanto, a maioria deles ignora a rica informação de contexto dos meta-caminhos que descreve como dois objetos estão conectados por meio de meta-caminhos. Além disso, falham em distinguir amostras negativas, o que pode afetar adversamente o desempenho do modelo. Para abordar os problemas, propomos o MEOW, que considera tanto contextos de meta-caminhos quanto amostras negativas pesadas. Especificamente, o MEOW constrói uma visão grossa e uma visão refinada para o contraste. A primeira reflete quais objetos estão conectados por meta-caminhos, enquanto a última utiliza contextos de meta-caminhos e caracteriza detalhes sobre como os objetos estão conectados. Em seguida, analisamos teoricamente a perda InfoNCE e reconhecemos suas limitações para calcular gradientes de amostras negativas. Para distinguir melhor as amostras negativas, aprendemos pesos de valor difícil para elas com base em agrupamento de nós e usamos aprendizado contrastivo prototípico para aproximar incorporações de nós no mesmo cluster. Além disso, propomos um modelo variante, o AdaMEOW, que aprende adaptativamente pesos de valor suave para amostras negativas para melhorar ainda mais a representação de nós. Finalmente, realizamos experimentos extensivos para mostrar a superioridade do MEOW e do AdaMEOW em relação a outros métodos de ponta.