具有异配性的 K-部图上的标签传播

在本文中，我们首次在异配性假设下研究异质图中的标签传播。同配性标签传播（即两个相连节点共享相似标签）在同质图（具有相同类型的顶点和关系）中已被广泛研究。不幸的是，现实网络是异质的，它们包含不同类型的顶点（例如用户、图像、文本）和关系（例如好友关系、共同标注），并允许每个节点向邻居传播相同和相反的标签副本。我们提出一个 $\mathcal{K}$-部标签传播模型来处理异质节点/关系与异配性传播的令人困惑的组合。利用该模型，我们开发了一种新颖的标签推断算法框架，其更新规则具有近线性时间复杂度。由于真实网络随时间变化，我们设计了一种增量方法，支持对新数据和证据（例如真值标签）的快速更新并保证效率。我们进一步提供了一个效用函数，以自动确定增量方法还是重新建模方法更优。在真实数据集上的大量实验验证了我们的方法的有效性和高效性，以及其相对于最先进的标签传播方法的优越性。