小知识，大挑战！本文正在参与“ 程序员必备小知识 ”创作活动
本文同时参与 「掘力星计划」 ，赢取创作大礼包，挑战创作激励金
一篇异构图神经网络表示学习的顶会。
介绍： 虽然图神经网络 (GNN) 成为最先进的 图上的表示学习方法，它们通常需要一个 大量标记数据以达到令人满意的性能， 这通常很昂贵或不可用。缓解标签稀缺 问题，已经为 GNN 设计了一些预训练策略，以 从图的通用结构特性中学习可转移的知识。然而，现有的预训练策略是 仅针对齐次图设计，其中每个节点和 边属于同一类型。相比之下，异构图 体现了丰富的语义，因为多种类型的节点与 通过不同种类的边彼此相互，这些边被忽略 现有的策略。在本文中，我们提出了一种新颖的对比 GNN 在异构图 (CPTHG) 上的预训练策略，以捕获语义和结构属性 自我监督的方式。具体来说，我们设计了语义感知 关系级和子图级的预训练任务，以及 通过对比，进一步增强其代表性 学习。我们对三个真实世界进行了广泛的实验 异构图和有希望的结果证明了我们的 CPT-HG 将知识转移到各种 通过预训练的下游任务。
总结以及未来工作： 总结以及未来工作：
在这项工作中，我们首次尝试在异构图上预训练 GNN 模型，并提出了一种新颖的对比 异构图上 GNN 的预训练策略，命名为 CPT-HG。捕获语义和结构信息 以可转移的形式绘制图形，我们通过对比学习利用关系和子图级预训练任务， 利用异构固有的自我监督信息 图表。在关系层面，我们设计了一个预训练任务 区分两个节点之间的关系类型，它编码 异构图的基本特征。在 在子图级别，我们提出了一个预训练任务来区分 不同元图的子图实例，编码 高阶语义上下文。广泛的实验三 真实世界的异构图显示出有希望的结果 以及我们的 CPT-HG 将知识转移到 通过预训练完成各种下游任务。
