利用元路径上下文的异质信息网络的分类方法
机器学习
2021-02-23 v2 社会与信息网络
摘要
异质信息网络（HIN）以不同类型的对象为顶点，以对象间的关系为边，这些关系也具有多种类型。我们研究 HIN 中对象的分类问题。大多数现有方法在仅有少量标记对象作为训练集时表现不佳，而在此类场景下提升分类精度的方法往往计算代价高昂。为解决这些问题，我们提出一种图神经网络模型 ConCH。ConCH 将分类问题表述为一个多任务学习问题，结合半监督学习与自监督学习，从标记和未标记数据中学习。ConCH 采用元路径（即捕捉对象间语义关系的对象类型序列）。ConCH 通过图卷积共同导出对象嵌入与上下文嵌入，并利用注意力机制融合此类嵌入。我们进行了大量实验，将 ConCH 与其他 15 种分类方法进行比较。结果表明，ConCH 是一种高效且有效的 HIN 分类方法。
引用
@article{arxiv.2012.10024,
title = {Leveraging Meta-path Contexts for Classification in Heterogeneous Information Networks},
author = {Xiang Li and Danhao Ding and Ben Kao and Yizhou Sun and Nikos Mamoulis},
journal= {arXiv preprint arXiv:2012.10024},
year = {2021}
}
备注
Accepted by ICDE 2021