大型多关系图的有效聚类

多关系图（MRG）是建模真实对象（即节点）之间多样化相互作用/关系的表达性数据结构，广泛存在于诸多应用场景中。给定包含 N 个节点的 MRG，将节点集合划分为 K 个不相交聚类（MRGC）是分析 MRG 的基本任务，已引起广泛关注。然而，现有大多数解决方案要么由于对异构图结构和属性无效融合导致结果质量严重受损，要么由于采用复杂且昂贵的深度学习模型，难以处理包含数百万节点和数十亿边的大规模 MRG。本文提出 DEMM 和 DEMM+ 两个有效的 MRGC 方法，旨� addressed the limitations above。具体而言，我们的算法建立在 novel two-stage optimization objectives 之 上，前者通过针对 MRG 专用的多关系 Dirichlet 能量进行优化，来导出高质量的节点特征向量；后者则对聚类结果在节点亲和图上的 Dirichlet 能量进行最小化。特别地，DEMM+ 通过一系列周到细致的优化， 在可扩展性和效率上显著优于基于方法 DEMM。关键技术贡献包括 (i) 用于构建节点特征向量的高效近似求解器，以及 (ii) 使无需显式构造 NxN 稠密亲和矩阵即可实现线性时间聚类的理论依据问题转换及精心设计的技术。此外，我们通过非平凡的改编扩展 DEMM+ 以处理无属性的 MRG。广泛实验表明，DEMM+ 在 11 个真实 MRG 上对 20 个基线进行比较，始终在聚类质量（针对ground-truth标签）方面显著优于，同时往往速度也显著更快。