【CIKM2021】 Contrastive Pre-Training of GNNs on Heterogeneous Graphs

地址：https://yuanfulu.github.io/publication/CIKM-CPT.pdf

导读 ：文章为异构图神经网络模型设计了新的对比学习预训练方案，提出了一种新颖的对比GNN 在异构图 (CPTHG) 上的预训练策略，通过自监督的方式捕获语义和结构属性 。具体来说，文章设计了语义感知关系级和子图级的预训练任务。文章在三个真实世界数据集上进行了广泛的实验，证明了文章提出的的 CPT-HG 模型成功的将知识转移到各种下游任务中。

【arXiv2021】 HeMI: Multi-view Embedding in Heterogeneous Graphs

地址：https://arxiv.org/abs/2109.07008

导读 ：本文关注异构图的表示学习问题。异构图嵌入了丰富的结构和这些图的语义到低维空间并有利于各种数据挖掘任务，如节点分类、节点聚类、和链接预测。在本文中，作者提出了一种自监督方法 依靠知识交流学习 HG 表示。不同 HG 结构语义（元路径）之间的发现。具体来说，通过最大化元路径表示的互信息，我们促进元路径信息融合，并且对全局共享语义信息进行编码。在多个节点分类、节点聚类和链接预测任务的实验结果表明，所提出的自我监督都优于竞争方法，并将基线方法提高了 1% 和高达 10%。

【arXiv2021】Hetero-SCAN: Towards Social Context Aware Fake News Detection via Heterogeneous Graph Neural Network

地址：https://arxiv.org/abs/2109.08022

导读 ：本文关注到异构图应用于假新闻（Fake News) 场景的检测。过去的方法主要集中在将 自然语言处理 (NLP) 技术应用于新闻内容。然而，即使是人也不能轻易通过新闻内容区分假新闻，这些基于文本的解决方案存在缺陷。另一类方法使用基于图的解决方案，利用社会背景信息，例如参与新闻的用户或发布新闻的出版商。然而，现有的基于图的方法仍然存在以下四个主要缺点：

• 大量用户节点导致计算成本高昂
• 子任务中的错误累计，
• 新闻图的同构表示处理不同类型节点和边相同，
• 时间性能不佳。

为了克服上述问题，本文提出了一种新颖的基于社交网路的上下文感知的假新闻检测方法（Hetero-SCAN）。文章实验证明 Hetero-SCAN 产生与最先进的基于文本和基于图的假新闻检测方法相比，在性能和效率取得了不错的结果。