Heterogeneous Graph Contrastive Learning with Spectral Augmentation

异构图能够很好地描述现实世界中复杂的实体关系。例如，在线购物网络包含多种类型的消费者和产品，以及多种关系类型，如购买和收藏。越来越多的学者关注这项研究，因为异构图表示学习在现实场景中显示出强大的应用潜力。然而，现有的异构图模型使用数据增强技术来增强图结构信息的使用，这只捕捉了空间拓扑中的图结构信息，忽略了图结构的频谱维度中显示的信息。为了解决异构图表示学习方法无法对频谱信息进行建模的问题，本文引入了一种谱增强图对比学习模型（SHCL），并首次在异构图神经网络中提出了一种谱增强算法。所提出的模型通过异构图本身学习自适应拓扑增强方案，破坏了异构图在频谱维度上的结构信息，最终提高了模型的学习效果。在多个真实世界数据集上的实验结果显示了所提出模型的显著优势。

本论文旨在解决异构图模型中无法对光谱信息进行建模的问题，提出了一种基于光谱增强的图对比学习模型（SHCL），并首次在异构图神经网络中提出了光谱增强算法。

论文提出的SHCL模型通过异构图自身学习一种自适应的拓扑增强方案，打破异构图在光谱维度上的结构信息，从而提高模型的学习效果。

论文在多个真实数据集上进行了实验，证明了所提出的模型具有显著的优势。值得关注的是，该论文首次在异构图神经网络中提出了光谱增强算法，为异构图模型的研究提供了新思路。

在此领域的相关研究中，最近的一些论文包括：《Heterogeneous Graph Attention Network》、《Representation Learning on Graphs with Jumping Knowledge Networks》等。