BiTe-GCN：一种在富文本网络上通过拓扑与特征双向卷积的新GCN架构
机器学习
2021-03-08 v2
摘要
图卷积网络（GCNs）旨在通过堆叠图卷积层整合高阶邻域信息，已在许多网络分析任务中展现出显著能力。然而，包括过平滑和局部拓扑同配性在内的拓扑局限限制了其表示网络的能力。现有研究仅在网络拓扑上执行特征卷积，不可避免地引入了拓扑与特征之间的不平衡。考虑到在真实世界中，信息网络不仅由节点级引用信息组成，还包含局部文本序列信息。我们提出 BiTe-GCN，一种在富文本网络上对拓扑和特征进行双向卷积的新颖 GCN 架构，以解决这些局限。我们首先将原始富文本网络转换为增广的双类型异构网络，从文本中捕获全局节点级信息和局部文本序列信息。然后我们引入判别性卷积机制，同时执行拓扑和特征的卷积。在富文本网络上的大量实验表明，我们的新架构以突破性的提升优于最先进的方法。此外，该架构也可应用于若干电商搜索场景，如京东搜索。在京东数据集上的实验验证了所提架构相对于相关方法的优越性。
引用
@article{arxiv.2010.12157,
title = {BiTe-GCN: A New GCN Architecture via BidirectionalConvolution of Topology and Features on Text-Rich Networks},
author = {Di Jin and Xiangchen Song and Zhizhi Yu and Ziyang Liu and Heling Zhang and Zhaomeng Cheng and Jiawei Han},
journal= {arXiv preprint arXiv:2010.12157},
year = {2021}
}
备注
WSDM 2021