近日，西电广州研究院工业人工智能实验室青年教师滕祥意在图表示学习领域取得系列研究进展，相关研究成果分别发表在数据挖掘领域国际顶级期刊《IEEE Transactions on Knowledge and Data Engineering》（CCF A类、中科院一区Top、IF=10.4）及人工智能领域顶级期刊《IEEE Transactions on Neural Networks and Learning Systems》（中科院一区Top、IF=8.9）。

图1 SSGNN算法框架图

团队提出了一种通过分解同类节点来构建子图和超子图的通用图神经网络架构（SSGNN），从而能够同时有效学习同质图和异质图两种网络的节点表征。该方法不仅能捕捉到局部社区的精细结构，还能学习到节点间隐藏的高阶关联，无需任何领域知识即可直接应用于大多数真实场景。实验结果表明，该方法不仅在节点分类和聚类任务上取得了超越现有方法的表现，同时还展现出良好的可解释性，为图数据分析以及图基础模型的通用性研究提供创新思路。该方法有望在推荐系统、蛋白质分子设计等领域进行应用。相关成果以《A Universal Subhypergraph-assisted Embedding Framework for Both Homogeneous and Heterogeneous Networks》为题发表在数据挖掘领域顶级期刊IEEE TKDE。团队2024级博士生莫世冰为论文第一作者，滕祥意为通讯作者。

图2 HGAM模型框架图

在第二项研究工作中，团队主要针对现有异质图表征学习方法普遍依赖先验知识来预定义元路径类型并忽略对元路径序列建模的问题，提出了一种新型自监督异质图注意力模型（HGAM）。该研究创新性地设计了自适应步长的元路径注意力机制，无需先验知识即可自动学习不同步长下高阶邻居关系的重要性，并以此动态调整采样策略以扩大模型对高质量元路径的感受野。同时，模型通过构建元图上下文并结合跨视图对比学习策略，有效解决了图数据中标签稀缺的问题。实验结果表明，该方法在多个真实基准数据集上的节点分类、聚类和链路预测任务中均取得了显著的性能提升。该研究成果为异质图表示学习提供了一种无需人工设计、更具自适应性的高效解决方案，有望应用于电子商务、网络安全检测等多个场景。相关成果以《A Self-Supervised Heterogeneous Graph Attention Model Based on Adaptable Step-Size Meta-Paths》为题发表在人工智能领域顶级期刊IEEE TNNLS。西安电子科技大学广州研究院为论文第一通讯单位，青年教师滕祥意与其指导的团队学生钟明好为共同第一作者。

相关论文链接：

IEEE TKDE论文链接：https://ieeexplore.ieee.org/abstract/document/11045888

IEEE TNNLS论文链接：https://ieeexplore.ieee.org/abstract/document/11084982