CoarSAS2hvec：基于均衡网络采样的异质信息网嵌入
机器学习
2022-02-15 v2
摘要
异质信息网（HIN）嵌入旨在找到保留不同性质实体间邻近性的节点表示。一类被广泛采用的方法应用随机游走来生成异质上下文序列，并从中学习嵌入。然而，由于 HIN 的多部图结构，中心节点往往在采样序列中被过度表示，导致网络样本不均衡。在此我们提出一种新的嵌入方法 CoarSAS2hvec。利用带 HIN 粗化过程的自避短序列采样（CoarSAS）来更好地收集 HIN 中的丰富信息。采用优化的损失函数以提升 HIN 结构嵌入的性能。CoarSAS2hvec 在四个真实数据集上的两项不同任务中优于其他九种方法。消融研究证实，与其它方法相比，CoarSAS 收集的样本包含更丰富的网络信息，其特征是更高的信息熵。因此，将传统损失函数应用于 CoarSAS 的样本也能产生改进的结果。我们的工作解决了基于随机游走的 HIN 嵌入中此前未被重视的一个局限，可为一系列 HIN 分析问题提供启示。
引用
@article{arxiv.2110.05820,
title = {CoarSAS2hvec: Heterogeneous Information Network Embedding with Balanced Network Sampling},
author = {Ling Zhan and Tao Jia},
journal= {arXiv preprint arXiv:2110.05820},
year = {2022}
}