HybridGNN：多重异构网络中混合表示的深度学习
机器学习
2022-08-04 v1
摘要
近来，图神经网络已展现出在基于异构网络的推荐系统中建模复杂拓扑结构的优越性。由于节点间交互的多样性以及由各类节点与边涌现出的丰富语义，在多重异构网络中学习具表达力的节点表示正引发爆发式的研究兴趣。推荐系统中最重要的任务之一是预测两节点在特定边类型（即关系）下的潜在连接。尽管现有研究利用显式元路径来聚合邻居，但实际上它们仅考虑关系内元路径，因而未能利用关系间信息带来的潜在提升。此外，在多样关系下全面利用关系间元路径并非总是直截了当，尤其当节点与边类型数量增加时。另外，两节点间不同关系的贡献难以度量。为应对这些挑战，我们提出 HybridGNN，一种具有混合聚合流与层次注意力的端到端 GNN 模型，以充分利用多重场景中的异构性。具体而言，HybridGNN 应用随机关系间探索模块来挖掘不同关系间的多重性属性。随后，我们的模型在关系内元路径与随机探索下利用混合聚合流来学习丰富语义。为探索不同聚合流的重要性并发挥多重性属性优势，我们提出了一种新颖的层次注意力模块，其同时利用元路径级注意力与关系级注意力。大量实验结果表明，与若干最先进基线相比，HybridGNN 取得了最佳性能。
引用
@article{arxiv.2208.02068,
title = {HybridGNN: Learning Hybrid Representation in Multiplex Heterogeneous Networks},
author = {Tiankai Gu and Chaokun Wang and Cheng Wu and Jingcao Xu and Yunkai Lou and Changping Wang and Kai Xu and Can Ye and Yang Song},
journal= {arXiv preprint arXiv:2208.02068},
year = {2022}
}
备注
ICDE 2022