面向模式复杂异质信息网络的归纳式元路径学习
人工智能
2024-12-05 v3
摘要
异质信息网络（HINs）是包含多种类型节点与边的信息网络。元路径（即连接两个实体的实体类型与关系类型序列）这一概念被提出，以为各类 HIN 任务提供元层面的可解释语义。传统上，元路径主要用于模式简单的 HINs，例如仅有少数实体类型的文献网络，其中元路径常借助领域知识枚举得到。然而，由于元路径枚举带来的计算复杂度，元路径在模式复杂的 HINs（如具有数百种实体与关系类型的知识库（KBs））中的应用十分有限。此外，有效评估元路径需要枚举相关路径实例，这进一步增加了元路径学习的复杂度。为应对这些挑战，我们提出 SchemaWalk，一种面向模式复杂 HINs 的归纳式元路径学习框架。我们以模式级表示来表征元路径，从而支持对不同关系下元路径得分的学习，减轻了对每种关系进行穷举路径实例枚举的需求。进一步，我们设计了一个基于强化学习的路径寻找智能体，其直接在网络模式（即模式图）上导航，学习为多种关系建立具有高覆盖度与高置信度的元路径的策略。在真实数据集上的大量实验证明了我们所提范式的有效性。
引用
@article{arxiv.2307.03937,
title = {Inductive Meta-path Learning for Schema-complex Heterogeneous Information Networks},
author = {Shixuan Liu and Changjun Fan and Kewei Cheng and Yunfei Wang and Peng Cui and Yizhou Sun and Zhong Liu},
journal= {arXiv preprint arXiv:2307.03937},
year = {2024}
}