基于图的适应性语义融合方法，用于异构图对比学习

《Neurocomputing》：Graph-constructed adaptive semantic fusion for heterophilic graph contrastive learning

提出GAS-GCL框架，通过结构-属性双空间建模构建同构和异构视图，融合自适应语义模块减少视角差异，设计语义对齐、同构感知和异构关联三个对比目标，实现无监督异构图表征学习，在节点分类、聚类和链接预测任务中显著优于基线方法。

　　
本文针对异构图中存在的同质性假设局限性问题，提出了一种名为GAS-GCL的新型图对比学习框架。研究背景显示，传统图神经网络（GNN）在处理异质性图数据时存在显著缺陷。异质性图的特点在于相连节点往往具有差异性属性或类别标签，例如金融欺诈检测场景中，欺诈账户与正常账户的关联性往往导致传统模型学习偏差。当前主流的图对比学习（GCL）方法主要依赖同质性假设，即相邻节点具有相似属性或类别，这在异质性图中会产生误导性信息聚合。

针对上述问题，GAS-GCL框架创新性地构建了三重语义视图：首先通过结构空间和属性空间的联合建模，分别生成同质性和异质性图结构。同质性视图侧重捕捉节点间的结构相似性，异质性视图则重点建模节点间的差异性关联，这种双重视角的设计突破了单一结构建模的局限。中间引入的增强视图通过随机移除边和特征实现数据增强，既保持原始图结构特征，又为对比学习提供稳定锚点。

核心创新体现在三个模块的协同优化：1）多视图构造模块通过双空间建模生成同质性和异质性视图，增强对复杂图结构的表征能力；2）自适应语义融合模块采用动态权重分配机制，根据不同视图的语义一致性自动调整融合强度，有效缓解异质性带来的表征冲突；3）联合对比学习目标设计包含语义对齐、同质性感知和异质性感知三个子目标，形成多维度优化体系。其中语义对齐模块通过增强视图与融合视图的对比学习，确保不同视角表征的语义一致性；同质性感知模块强化结构相似性建模；异质性感知模块则专门处理属性差异性关联。

实验部分在14个异质性图数据集上进行验证，涵盖社交网络、生物医学和推荐系统等多个领域。对比实验显示，GAS-GCL在节点分类任务中平均提升12.7%，较现有最优方法提高3.2个百分点；在链接预测任务中F1值提升8.4%，节点聚类算法的轮廓系数达到0.83，显著优于基线模型。消融实验进一步证实：三视图构造模块贡献约35%的性能提升，自适应融合机制使跨视图表征差异降低42%，联合优化目标使模型泛化能力提升28%。

研究结论指出，该方法成功解决了异质性图中结构属性不一致的表征冲突问题。实验数据表明，在70%以上异质性程度的测试集上，GAS-GCL仍能保持较优性能，验证了框架的鲁棒性。未来工作将探索动态异质性建模和跨领域知识迁移应用。该研究为自监督图表征学习提供了新的方法论参考，特别是在需要处理属性异质性的实际场景中具有广泛的应用前景，如金融风控、社交网络分析等需要捕捉复杂关联模式的重要领域。