论文标题：Missing data recovery for heterogeneous graphs with incremental multi-source data fusio

期刊：Frontiers of Computer Science

作者：Yang LIU, Xiaoxia JIANG, Yuanning CUI, Yu WANG, Wei HU

发表时间：21 Apr 2025

DOI：10.1007/s11704-025-41420-2

微信链接：点击此处阅读微信文章

引用格式：

Yang LIU, Xiaoxia JIANG, Yuanning CUI, Yu WANG, Wei HU. Missing data recovery for heterogeneous graphs with incremental multi-source data fusion. Front. Comput. Sci., 2025, 19(12): 1912614

阅读原文：

文章概述

异构图通过节点和边组织数据，广泛应用于各类以图为核心的应用中。然而在人工构建过程中，部分数据常常被遗漏，导致图中信息缺失，从而影响下游任务的性能。现有方法通常仅依赖单个图中已有的数据进行缺失恢复，忽略了来自不同来源的图由于范围重叠而可能共享部分节点的事实。

为了解决上述问题，本文聚焦于增量场景下的多源异构图缺失数据恢复任务，提出了一种新颖的框架，通过融合历史图中补充性的信息，有效实现对新图中缺失数据的恢复。

Framework of the proposed model SIKE for source-incremental missing data recovery

在本项研究中，研究团队提出了一个名为SIKE的模型，结合了预训练语言模型和图特定的适配器。为充分利用多源图之间的互补信息，他们进一步设计了一种基于嵌入的跨图数据融合方法，实现图间信息的有效整合。

在实验评估方面，团队构建了两个来自真实场景的异构图数据集—DWY15K和CFW。实验结果表明，所提出模型在这两个数据集上均优于现有方法。与最具竞争力的基线模型EWC相比，SIKE在DWY15K上的MRR提高了7.79%，在CFW上提升了10.25%。这些结果验证了所提方法在增量异构图数据恢复任务中的有效性，并为多源数据融合在数据治理中的应用提供了新的启发。

中国学术前沿期刊网

http://journal.hep.com.cn