双曲异构图注意力网络
机器学习
2024-04-16 v1
摘要
以往的大多数异构图嵌入模型将异构图中的元素表示为低维欧几里得空间中的向量表示。然而，由于异构图固有地具有复杂结构（如层次结构或幂律结构），在欧几里得空间中表示它们时会发生失真。为了克服这一局限性，我们提出了双曲异构图注意力网络（HHGAT），该网络利用元路径实例在双曲空间中学习向量表示。我们在三个真实世界的异构图数据集上进行了实验，证明 HHGAT 在节点分类和聚类任务中优于 SOTA 异构图嵌入模型。
引用
@article{arxiv.2404.09456,
title = {Hyperbolic Heterogeneous Graph Attention Networks},
author = {Jongmin Park and Seunghoon Han and Soohwan Jeong and Sungsu Lim},
journal= {arXiv preprint arXiv:2404.09456},
year = {2024}
}
备注
Accepted in ACM THE WEB CONFERENCE 2024 short paper track