CrossHGL：跨域异构图学习的无文本基础模型

异构图表示学习（HGRL）对于对具有不同节点和边缘类型的复杂系统进行建模至关重要。然而，大多数现有方法仅限于具有共享模式和特征空间的封闭世界设置，阻碍了跨域泛化。虽然最近的图基础模型提高了可转移性，但它们通常以同质图为目标，依赖于特定于领域的模式，或者需要丰富的文本属性。因此，无文本和少镜头跨域 HGRL 仍未得到充分探索。为了解决这个问题，我们提出了 CrossHGL，这是一个无需外部文本监督即可保存和传输多关系结构语义的基础框架。具体来说，语义保留转换策略使异构图同质化，同时将交互语义编码为边缘特征。基于此，具有三提示机制的提示感知多域 预训练 框架通过自监督对比学习捕获跨特征、边缘和结构视角的可转移知识。对于目标域适应，我们开发了一种参数高效的 微调 策略，该策略冻结预先训练的主干，并通过即时组合和原型学习执行少量分类。节点级和图级任务的实验表明，CrossHGL 始终优于最先进的基线，在 Micro-F1 中的节点和图分类方面平均相对改进分别为 25.1% 和 7.6%，同时在具有挑战性的特征退化设置中保持竞争力。