MetaHGNIE: Hypergraph-Contrastive Learning für heterogene Wissensgraphen

Die Bewertung der Wichtigkeit von Knoten in heterogenen Wissensgraphen ist ein zentrales Problem für Anwendungen wie Empfehlungssysteme, Wissens­schärfung und Frage‑Antwort‑Systeme. Traditionelle Ansätze konzentrieren sich meist auf paarweise Verbindungen und vernachlässigen dabei hochgradige Abhängigkeiten zwischen mehreren Entitäten und Relationen. Zudem werden strukturelle und semantische Signale oft getrennt verarbeitet, was die effektive Integration von Modalen erschwert.

Mit MetaHGNIE wird dieses Problem adressiert, indem ein hypergraphisches, kontrastives Lernframework entwickelt wird, das Meta‑Pfad‑Sequenzen nutzt, um höhere Ordnung in Wissensgraphen zu modellieren. Typisierte Hyperkanten fassen dabei mehrteilige relationale Kontexte zusammen. Strukturelle Abhängigkeiten werden mittels lokaler Aufmerksamkeitsmechanismen aggregiert, während semantische Repräsentationen durch einen Hypergraph‑Transformer mit sparsamer Chunking‑Technik erzeugt werden, um Redundanz zu reduzieren.

Ein multimodaler Fusion‑Modul integriert anschließend die strukturellen und semantischen Embeddings unter Einsatz von kontrastivem Lernen und zusätzlicher Supervision. Dadurch wird eine robuste Ausrichtung zwischen den Modalen gewährleistet. Umfangreiche Experimente an etablierten Benchmark‑Datensätzen für Node‑Importance‑Estimation zeigen, dass MetaHGNIE die führenden Baselines konsequent übertrifft und damit die Wirksamkeit der expliziten Modellierung höherer Ordnung und der Cross‑Modal‑Alignment‑Strategie unterstreicht.

Der zugehörige Code ist frei verfügbar unter https://github.com/SEU-WENJIA/DualHNIE.