MetaHGNIE: Meta-Path Induced Hypergraph Contrastive Learning in Heterogeneous Knowledge Graphs

📄 arXiv: 2512.12477v1 📥 PDF

作者: Jiawen Chen, Yanyan He, Qi Shao, Mengli Wei, Duxin Chen, Wenwu Yu, Yanlong Zhao

分类: cs.AI, cs.LG

发布日期: 2025-12-13

🔗 代码/项目: GITHUB

💡 一句话要点

提出MetaHGNIE框架，通过超图对比学习解决异构知识图谱中的节点重要性估计问题。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 异构知识图谱 节点重要性估计 超图 对比学习 元路径 跨模态融合

📋 核心要点

  1. 现有节点重要性估计方法忽略了异构知识图谱中实体间的高阶依赖关系，且结构和语义信息融合不足。
  2. MetaHGNIE利用元路径构建超图，有效建模实体间高阶关系，并通过对比学习对齐结构和语义信息。
  3. 实验结果表明，MetaHGNIE在节点重要性估计任务上显著优于现有方法，验证了其有效性。

📝 摘要（中文）

本文提出MetaHGNIE，一个基于元路径诱导的超图对比学习框架，用于异构知识图谱中的节点重要性估计（NIE）任务。现有方法通常依赖于成对连接，忽略了多个实体和关系之间的高阶依赖性，并且独立处理结构和语义信号，阻碍了有效的跨模态融合。MetaHGNIE通过元路径序列构建高阶知识图，其中类型化的超边捕获多实体关系上下文。利用局部注意力聚合结构依赖性，并通过配备稀疏分块的超图Transformer编码语义表示以减少冗余。最后，多模态融合模块在对比学习和辅助监督下整合结构和语义嵌入，确保鲁棒的跨模态对齐。在基准NIE数据集上的大量实验表明，MetaHGNIE始终优于最先进的基线方法。这些结果突出了在异构知识图谱中显式建模高阶交互和跨模态对齐的有效性。

🔬 方法详解

问题定义：论文旨在解决异构知识图谱中节点重要性估计（NIE）的问题。现有方法主要依赖于节点间的成对连接，忽略了实体间的高阶关系，并且通常独立处理结构和语义信息，导致信息融合不充分，影响了节点重要性估计的准确性。

核心思路：论文的核心思路是通过引入超图来建模异构知识图谱中的高阶关系。超图的超边可以连接多个节点，从而捕获实体间的复杂关系。同时，论文采用对比学习的方式，将结构信息和语义信息对齐，从而实现更有效的跨模态融合。

技术框架：MetaHGNIE框架主要包含三个模块：1) 基于元路径的超图构建模块，利用元路径序列构建高阶知识图，其中超边捕获多实体关系上下文；2) 结构和语义表示学习模块，利用局部注意力聚合结构依赖性，并通过配备稀疏分块的超图Transformer编码语义表示；3) 多模态融合模块，在对比学习和辅助监督下整合结构和语义嵌入，确保跨模态对齐。

关键创新：该论文的关键创新在于：1) 引入超图来建模异构知识图谱中的高阶关系，克服了传统方法只能处理成对关系的局限性；2) 采用对比学习的方式，将结构信息和语义信息对齐，实现了更有效的跨模态融合；3) 提出了配备稀疏分块的超图Transformer，降低了计算复杂度。

关键设计：在超图构建方面，论文使用了元路径来指导超边的生成。在结构表示学习方面，使用了局部注意力机制来聚合邻居节点的信息。在语义表示学习方面，使用了超图Transformer，并采用稀疏分块技术来降低计算复杂度。在对比学习方面，使用了InfoNCE损失函数来最大化正样本之间的相似度，最小化负样本之间的相似度。辅助监督使用了节点分类任务的交叉熵损失。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MetaHGNIE在节点重要性估计任务上取得了显著的性能提升，在多个基准数据集上均优于state-of-the-art的基线方法。具体而言，相较于现有最佳方法，MetaHGNIE在某些数据集上取得了超过5%的性能提升，验证了其有效性。

🎯 应用场景

该研究成果可应用于推荐系统、知识推理、问答系统等领域。通过更准确地估计节点重要性，可以提升推荐的准确性，增强知识推理的可靠性，并提高问答系统的性能。未来，该方法可以扩展到其他类型的图结构数据，例如社交网络、生物网络等。

📄 摘要（原文）

Node importance estimation (NIE) in heterogeneous knowledge graphs is a critical yet challenging task, essential for applications such as recommendation, knowledge reasoning, and question answering. Existing methods often rely on pairwise connections, neglecting high-order dependencies among multiple entities and relations, and they treat structural and semantic signals independently, hindering effective cross-modal integration. To address these challenges, we propose MetaHGNIE, a meta-path induced hypergraph contrastive learning framework for disentangling and aligning structural and semantic information. MetaHGNIE constructs a higher-order knowledge graph via meta-path sequences, where typed hyperedges capture multi-entity relational contexts. Structural dependencies are aggregated with local attention, while semantic representations are encoded through a hypergraph transformer equipped with sparse chunking to reduce redundancy. Finally, a multimodal fusion module integrates structural and semantic embeddings under contrastive learning with auxiliary supervision, ensuring robust cross-modal alignment. Extensive experiments on benchmark NIE datasets demonstrate that MetaHGNIE consistently outperforms state-of-the-art baselines. These results highlight the effectiveness of explicitly modeling higher-order interactions and cross-modal alignment in heterogeneous knowledge graphs. Our code is available at https://github.com/SEU-WENJIA/DualHNIE