直播 | KDD 2021论文解读：基于协同对比学习的自监督异质图神经网络

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到北京邮电大学 GAMMA Lab 实验室硕士生刘念，为大家在线解读其发表于 KDD 2021 的最新工作：Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning。对本期主题感兴趣的小伙伴，6 月 29 日（周二）晚 7 点，我们准时相约 PaperWeekly B 站直播间。

直播信息

大部分的异质图神经网络（HGNNs）都遵循半监督学习的设定，然而实际应用中标签信息往往很难获得。而自监督学习由于能够自发地从数据本身挖掘监督信号，已经成为无监督设定下很好的选择。作为一种典型的自监督机制，对比学习（contrastive learning）通过从数据中抽取出正负样本，同时最大化正例间的相似度以及最小化负例间相似度，能够学到判别性的表示。尽管对比学习在 CV 和 NLP 领域得到了广泛应用，如何将它和 HIN 结合却尚未解决。

在本篇文章中，我们提出了一个新的基于协同对比学习的异质图神经网络框架，简称 HeCo。HeCo 采用跨视图的对比机制，选择网络模式和元路径作为两个视图，结合视图掩盖机制，分别学得两个视图下的节点表示。之后，利用跨视图对比学习，使得两个视图协同监督。此外，我们还提出两个 HeCo 扩展，通过生成更高质量的负例，提升最终效果。

论文标题：

Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning

论文链接：

https://arxiv.org/abs/2105.09111

代码链接：

https://github.com/liun-online/HeCo

本次分享的具体内容有： 

• 问题思考：如何进行异质的对比学习

• 问题建模：跨视图的协同对比学习HeCo

• 实验结果：多角度实验验证与分析

• 工作总结：总结与展望

嘉宾介绍

 刘念 / 北京邮电大学硕士生 

刘念，北京邮电大学 GAMMA Lab 实验室一年级硕士生，导师为石川教授。主要研究方向为图神经网络、对比学习、自监督学习等。目前已经在 KDD 等顶会发表论文。

直播地址 & 交流群

本次直播将在 PaperWeekly B 站直播间进行，扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后，嘉宾还将在直播交流群内实时 QA，在 PaperWeekly 微信公众号后台回复「AI Drive」，即可获取入群通道。

B 站直播间：

https://live.bilibili.com/14884511

合作伙伴

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。