面向大规模异质网络表示学习的多语义元路径模型
社会与信息网络
2020-07-23 v1 机器学习
摘要
网络嵌入已被广泛研究以在多种真实应用中建模与管理数据。然而，大多数现有工作关注具有单一类型节点或边的网络，对节点与边分布不均衡的考虑有限。在真实应用中，网络通常由数十亿计具有丰富属性的各类节点与边组成。为应对这些挑战，本文提出一种用于大规模异质表示学习的多语义元路径（MSM）模型。具体而言，我们生成基于多语义元路径的随机游走来构建异质邻域以处理不均衡分布，并提出一个用于嵌入学习的统一框架。我们在两个具挑战性的数据集 Amazon 与 Alibaba 上对所提框架进行了系统评估。结果经验性地表明，在链接预测上 MSM 相较先前最优方法取得了相对显著的提升。
引用
@article{arxiv.2007.11380,
title = {A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning},
author = {Xuandong Zhao and Jinbao Xue and Jin Yu and Xi Li and Hongxia Yang},
journal= {arXiv preprint arXiv:2007.11380},
year = {2020}
}
备注
Part of this work was carried out while the first author interned at Alibaba