当前位置: 首页 > 学术科研 > 正文
我校大数据与计算机科学学院欧卫华教授团队在人工智能领域TOP期刊上发表研究论文
【作者】科学技术处      【日期】2025-10-14 16:32      【点击】

近日,我校大数据与计算机科学学院欧卫华教授团队在人工智能领域TOP期刊《Knowledge-Based Systems》(中科院一区,IF=7.6)上发表了题为“Lightweight Completion with High-order Semantic Attributes for Heterogeneous Sparse Attribute Graph Learning”的研究论文。



异构图神经网络是人工智能国际前沿研究领域,已引起高度关注,并在各种实际场景中得到了广泛应用。由于各种不可控因素,异构图数据经常存在属性稀疏的问题,从而影响异构图神经网络模型的性能。现具有属性补全功能的异构图神经网络(HGNNs-AC)缺乏对高阶语义重要性的动态学习,导致属性补全的效果不佳;已补全属性之间缺乏协同交互和有效聚合,阻碍了整体模型的补全性能;属性补全后,需要重新训练另一个异构图神经网络进行下游任务的学习,导致整体模型效率低下,这在大规模数据集上尤为明显。


LC-HSA模型


针对上述问题,该研究提出了一种用于异构稀疏属性图学习的轻量级高阶语义属性补全(LC-HSA)模型,该模型利用新颖的轻量级图属性补全网络动态学习多个元路径子图的两个权重来补全稀疏属性。具体来说,首先引入了一个元路径子图构建模块,用于捕获不同阶同构元路径之间的高阶语义信息。其次,大多数基于图编码器的补全模型采用编码器层来重构稀疏属性。相比之下,我们提出的轻量级图属性补全网络(LGACNet)引入了一种参数高效的设计,避免了多个编码器层的重新训练,同时保持了补全的有效性。LGACNet直接在多个元路径子图上操作,学习元路径语义权重和属性感知的自适应权重,使其能够动态利用高阶语义信息,以最小的计算成本实现补全,这在现有工作中尚未得到充分探索;接着引入了一个协作交互聚合模块,该模块配备了一个具有双通道注意力机制的图转换器,用于更新和聚合操作,从而实现了已补全属性之间的协作交互和自适应聚合;最后,为了提高模型的整体效率,提出了一个轻量级分类模块。它利用提出的LGACNet来学习高质量的节点属性,用于下游任务。在真实数据集上的大量节点分类实验结果表明,LC-HSA在性能和效率方面均优于 SOTA HGNNs模型,证明了其在实际应用中有效性和可靠性。该研究为异构稀疏属性图学习提供了新的研究思路,对促进具有属性补全功能的异构图神经网络的学习及应用具有重要理论意义和应用价值。


LC-HSA与SOTA HGNNs模型在节点分类实验上的性能比较


该论文第一作者系欧卫华教授(通讯作者)指导的2023级硕士研究生杨远军。该研究得到国家自然科学基金(No.62262005)、贵州省高层次创新人才项目“百”层次人才(No.GCC[2023]033)、贵州省科技厅项目(QKHCG-DXGA[2025]-ZD002)、贵州省教育厅自然科学研究项目(No.QJJ[2024]009,No.QJJ[2023]011)以及教育部教育区块链与智能技术重点实验室(No.EBME25-F-12、No.EBME25-F-11)的资助。

论文全文链接:https://doi.org/10.1016/j.knosys.2025.114515

【责任编辑】一审(校):王玥; 二审(校):张杭; 三审(校):丁龙

版权所有:贵州师范大学党委宣传部     Copyright© 2019     贵州师范大学新闻网      All Rights Reserved.    电子信箱:gzsfdx2010@sina.cn