基于双曲空间的图嵌入方法研究综述

基于双曲空间的图嵌入方法研究综述一、双曲空间与图嵌入的基础适配性欧式空间作为传统图嵌入方法的默认载体，其固有的平坦几何特性在处理层次化、无标度网络时存在本质局限。当图结构呈现出强树状分支或幂律度分布特征时，欧式空间的维度增长与嵌入失真度呈正相关——为了保留图中长距离节点的相对关系，往往需要将嵌入维度提升至数百甚至数千维，且仍无法避免中心节点的语义漂移问题。双曲空间的负曲率属性恰好匹配这类图的内在几何特征：双曲空间中的距离随半径呈指数增长，仅需低维空间即可容纳指数级数量的节点，天然适配无标度网络的层级扩张特性。以二维双曲空间为例，其单位圆盘模型（庞加莱圆盘）中，靠近圆盘边界的区域可容纳任意多的节点，且节点间的测地线距离能精准对应原图中的最短路径长度，这一特性使得双曲图嵌入在处理知识图谱、社交网络等典型无标度结构时，低维嵌入的性能普遍优于同维度的欧式嵌入方法30%以上。双曲空间的不同模型为图嵌入提供了多样化的计算框架。庞加莱圆盘模型因具备直观的可视化属性和简洁的距离计算公式，成为目前应用最广泛的双曲嵌入载体，其距离公式$d(x,y)=\text{arccosh}\left(1+2\frac{|x-y|^2}{(1-|x|^2)(1-|y|^2)}\right)$可直接与图中节点的最短路径关联，通过梯度下降优化嵌入结果。洛伦兹模型则在处理高维双曲嵌入时具备数值稳定性优势，其基于内积的距离计算方式避免了庞加莱圆盘在边界处的梯度爆炸问题，更适合深度神经网络的端到端训练。克莱因模型的测地线为直线段的特性，使其在涉及路径推理、子图匹配的任务中具备独特优势，可直接将双曲空间中的线性运算映射为图结构中的路径搜索操作。不同模型之间的等距变换特性，使得研究者可根据下游任务需求灵活切换嵌入载体，无需重新训练模型参数。二、典型双曲图嵌入方法的技术演进早期双曲图嵌入方法以无监督的度量学习为核心，代表工作Nickel等人2017年提出的PoincaréEmbeddings首次将双曲空间引入图嵌入领域，通过直接优化节点嵌入的双曲距离与原图最短路径的均方误差，在层次化数据集上实现了远超欧式嵌入的链接预测性能。该方法的核心创新在于将层次结构的先验知识转化为几何约束：根节点被嵌入在圆盘中心，子节点随层级加深向圆盘边缘分布，节点间的父子关系直接对应双曲空间中的邻近性。但这类纯度量学习方法无法有效利用节点属性信息，且处理大规模图时存在收敛速度慢的问题，当节点规模超过10万时，训练过程往往需要数天时间。为解决属性图的嵌入问题，研究者将双曲几何与图神经网络结合，提出了双曲图卷积网络（HGCN）系列方法。该类方法将欧式空间中的图卷积操作推广到双曲空间，通过指数映射和对数映射实现特征在双曲流形上的传递与聚合：首先将节点特征通过指数映射投影到双曲空间，在双曲空间中完成邻域特征的加权平均聚合，再通过对数映射将结果转换回切空间进行非线性变换，最终输出双曲空间中的节点嵌入。2019年提出的HGCN在引文网络节点分类任务上，相比同维度的欧式GCN准确率提升了4%-7%，且维度越低优势越明显。后续衍生的双曲图注意力网络（HGAT）进一步引入注意力机制，在聚合邻域特征时自适应分配权重，能够更好地处理异质图中不同类型边的语义差异，在知识图谱补全任务上的MRR值相比纯度量学习方法提升了15%以上。针对动态图的嵌入需求，双曲时序图嵌入方法近年来逐步兴起。这类方法将双曲空间的层级建模能力与时序模型结合，通过双曲空间中的点积、平移等操作建模节点的动态演化规律。例如2022年提出的HyperTGR模型，将动态图的快照序列建模为双曲空间中的点集演化过程，使用双曲长短期记忆网络（HyperLSTM）捕捉节点特征的时序变化，在动态链接预测任务上，相比欧式时序图嵌入方法的AUC值提升了8.2%。这类方法的核心挑战在于如何保证时序演化过程中的双曲几何约束，避免节点嵌入在迭代更新过程中偏离双曲流形，目前主流的解决方法是在损失函数中加入正则项，约束每次更新后的节点嵌入仍保持在双曲空间的有效范围内。三、双曲图嵌入的优化技术与训练策略双曲空间的非欧几里得特性导致传统欧式优化算法无法直接应用，适配双曲几何的优化方法是模型训练的核心支撑。黎曼随机梯度下降（RSGD）是目前最常用的双曲优化算法，其核心是将梯度从欧氏切空间投影到双曲流形的切平面，再通过指数映射更新嵌入点，确保更新后的点仍位于双曲空间内。针对庞加莱圆盘边界处梯度幅值急剧增大的问题，研究者提出了梯度裁剪、自适应学习率调整等改进策略：例如在训练初期设置较小的学习率，避免节点快速移动到圆盘边界导致梯度爆炸；对于靠近边界的节点，动态降低其学习率，保证训练过程的稳定性。对于大规模图的训练，分布式双曲优化算法近年来取得突破，通过将图分区处理、梯度异步更新等技术与黎曼优化结合，已可支持千万级节点规模的双曲图嵌入训练，训练时间相比单机版本缩短了70%以上。负采样策略对双曲图嵌入的性能影响显著。由于双曲空间中距离分布的不均衡性，传统欧式嵌入中常用的均匀负采样方法会导致大量负样本距离过近，无法提供有效的梯度信息。针对这一问题，研究者提出了基于双曲距离的分层负采样方法：根据节点在庞加莱圆盘中的位置，将圆盘划分为中心区域、中间区域和边缘区域，负采样时按照与正样本的距离比例在不同区域采样，保证负样本的距离分布与真实图中负例的距离分布一致。实验表明，这种分层负采样策略可将双曲图嵌入的链接预测性能提升10%左右，同时加快模型的收敛速度。此外，针对知识图谱这类带关系的图结构，关系感知的负采样方法会根据关系的语义类型调整负采样分布，对于“从属”这类层次化关系，更多采样同层级的节点作为负例，进一步提升了嵌入的语义准确性。冷启动问题是双曲图嵌入落地应用的关键瓶颈。对于新增的无邻接信息的节点，传统方法需要重新训练整个模型，无法满足实时性需求。目前解决这一问题的主流思路是构建属性到双曲嵌入的映射函数：通过已有的节点属性和对应嵌入训练一个回归模型，对于新增节点，仅需输入其属性即可快速生成对应的双曲嵌入，无需重新训练。2023年提出的HyperMap模型进一步实现了零样本冷启动，通过预训练双曲空间中的语义原型，将新增节点的属性特征与原型匹配，直接生成初始嵌入，在电商用户冷启动推荐任务上，相比重新训练的方法耗时降低了99%，且推荐准确率仅下降2.3%，基本满足工业场景的实时性需求。四、双曲图嵌入的典型应用场景知识图谱是双曲图嵌入应用最成熟的领域之一。知识图谱固有的层级化语义结构（如“实体-概念-上位概念”的层级关系）与双曲空间的几何特性高度契合，双曲嵌入能够在低维空间中精准保留知识的层级语义。目前双曲知识图谱嵌入方法已在实体链接、问答系统、知识推理等任务中得到广泛应用：在问答系统中，双曲嵌入可将问题和候选答案映射到同一双曲空间，通过测地线距离快速匹配最相关的答案，相比欧式嵌入方法的Top-1准确率提升了6%-9%；在知识推理任务中，双曲空间中的向量运算可直接对应层级推理规则，例如“父节点嵌入=子节点嵌入沿径向向内平移”，无需额外设计推理规则即可实现“IsA”类型的知识推理。Meta等公司已将双曲知识图谱嵌入应用于搜索引擎的实体理解模块，有效降低了语义歧义的发生概率。生物信息学领域是双曲图嵌入的新兴应用方向。蛋白质相互作用网络、基因调控网络等生物网络普遍呈现无标度特性，双曲嵌入能够更好地保留这类网络的功能模块结构。在蛋白质功能预测任务中，双曲图嵌入可将蛋白质节点的结构信息和序列属性编码到低维双曲空间，通过聚类分析识别具有相似功能的蛋白质簇，预测准确率相比欧式方法提升了5.8%。在药物发现场景中，双曲嵌入可用于建模药物-靶点相互作用网络，通过计算双曲空间中药物节点与靶点节点的距离，快速筛选潜在的候选药物，大幅降低虚拟筛选的计算成本。2024年发表在《自然·生物信息学》的研究显示，基于双曲图嵌入的药物重定位方法，成功发现了3种可用于治疗罕见病的现有药物，实验验证的准确率超过传统方法2倍以上。推荐系统是双曲图嵌入的重要落地场景。用户-物品交互图天然具备层级化特征：用户的兴趣可分为“大类-子类-具体物品”的层次结构，双曲嵌入能够精准捕捉这种兴趣层级。在电商推荐场景中，双曲图嵌入可将用户和商品嵌入到同一双曲空间，用户的长期兴趣对应靠近圆盘中心的嵌入，短期兴趣对应靠近边缘的嵌入，通过联合建模不同层级的兴趣特征，推荐的NDCG值相比基于欧式嵌入的协同过滤方法提升了7%以上。针对社交推荐场景，双曲嵌入还可同时建模用户的社交关系层级和兴趣层级，实现社交关系与兴趣偏好的联合推荐，在快手、抖音等短视频平台的内部测试中，这类双曲推荐方法有效提升了用户的平均观看时长和留存率。五、现存挑战与未来研究方向双曲图嵌入的理论基础仍存在诸多待完善之处。目前双曲空间的曲率大多被设置为固定值-1，无法适配不同曲率的图结构：对于扁平化程度较高的图，固定负曲率会导致嵌入失真，而对于层级极深的图，固定曲率又无法容纳足够的层级信息。自适应曲率学习是当前的研究热点，通过将曲率作为可训练参数，在训练过程中根据图结构自动调整双曲空间的曲率，能够进一步提升嵌入的灵活性。但曲率学习面临的核心问题是损失函数非凸，容易陷入局部最优，如何设计稳定的曲率优化算法仍需进一步探索。此外，双曲图嵌入的表达能力边界尚未得到理论证明，不同结构的图对应的最优嵌入维度、曲率范围等核心参数的选择目前仍依赖经验，缺乏系统性的理论指导。多模态图的双曲嵌入是重要的研究方向。当前双曲图嵌入主要处理结构信息和单一模态的属性信息，而现实中的图往往包含文本、图像、音频等多模态属性，如何将不同模态的特征统一编码到双曲空间，同时保留各模态的语义特性和图的结构信息，是亟待解决的问题。现有的多模态融合方法大多直接在欧式空间拼接特征后投影到双曲空间，没有考虑不同模态特征的几何分布差异，容易导致模态冲突。未来可探索双曲空间中的跨模态对齐机制，针对不同模态设计专用的特征映射函数，在双曲空间中实现多模态特征的语义对齐，同时保留图的结构层级。超大规模双曲图嵌入的工业级落地仍面临技术瓶颈。虽然目前分布式双曲优化算法已可支持千万级节点的训练，但当节点规模达到亿级时，双曲距离计算的复杂度、梯度通信的开销仍远高于欧式嵌入，无法满足互联网场景的实时性需求。未来可从两个方向突破：一是设计轻量级双曲嵌入模型，通过量化、哈希等方法降低嵌入的存储和计算开销；二是探索双曲空间中的近似最近邻搜索算法，解决双曲嵌入在线检索时的时延问题，目前双曲空间中的K近邻搜索速度比欧式空间慢一个数量级，无法满足高并发的推荐、检索场景需求。双曲图嵌入与大模型的结合是未来的重要发展趋势。大模型在处理结构