利用多面向路径进行异构图表示学习
机器学习
2025-08-28 v4 人工智能
摘要
近期图神经网络 (GNN) 和异构图神经网络 (HGNN) 的发展推动了节点嵌入和关系学习在各种任务中的应用。然而，现有方法通常依赖于领域特定的预定义元路径，这些元路径粗粒度且仅关注节点类型，限制了其捕捉复杂相互作用的能力。我们引入 MF2Vec，该模型使用多面向 (细粒度) 路径而非预定义元路径。MF2Vec 通过随机漫步提取路径并生成多面向向量，忽略预定义模式。该方法学习节点及其关系的多样化方面，构建同构网络并为分类、链接预测和聚类创建节点嵌入。广泛实验表明，MF2Vec 优于现有方法，提供了更灵活且更全面的复杂网络分析框架。代码可在 https://anonymous.4open.science/r/MF2Vec-6ABC 获取。
引用
@article{arxiv.2407.20648,
title = {Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning},
author = {Jongwoo Kim and Seongyeub Chu and Hyeongmin Park and Bryan Wong and Keejun Han and Mun Yong Yi},
journal= {arXiv preprint arXiv:2407.20648},
year = {2025}
}