Het-node2vec：面向异质多重图嵌入的二阶随机游走采样
机器学习
2024-10-30 v3 社会与信息网络
物理与社会
摘要
许多现实世界问题被自然建模为异质图，其中节点和边表示多种类型的实体和关系。现有的异质图表示学习模型通常依赖于特定且用户定义的异质路径的计算，或依赖于大型且常不可扩展的深度神经网络架构的应用。我们提出 Het-node2vec，即 node2vec 算法的扩展，专为异质图嵌入而设计。Het-node2vec 通过在二阶随机游走过程中引入简单的随机节点与边类型切换策略，解决了捕捉图的拓扑与结构特征以及异质图不同类型节点和边底层语义信息的挑战。所提方法还引入了“注意力机制”以将随机游走聚焦于特定节点和边类型，从而允许更准确的嵌入以及针对感兴趣特定节点和边类型的更聚焦预测。在基准数据集上的实证结果表明，在节点标签和边预测任务中，Het-node2vec 取得了与最先进异质图方法相当或更优的性能。
引用
@article{arxiv.2101.01425,
title = {Het-node2vec: second order random walk sampling for heterogeneous multigraphs embedding},
author = {Mauricio Soto-Gomez and Peter Robinson and Carlos Cano and Ali Pashaeibarough and Emanuele Cavalleri and Justin Reese and Marco Mesiti and Giorgio Valentini and Elena Casiraghi},
journal= {arXiv preprint arXiv:2101.01425},
year = {2024}
}
备注
25 pages (references excluded), 9 figures