潜在异质图上的链接预测
机器学习
2023-02-22 v1
摘要
在图数据上,节点或边类型的多样性产生了异质信息网络(HINs)。为保留HINs上的异质语义,丰富的节点/边类型成为HIN表示学习的基石。然而,在真实场景中,类型信息常常是含噪、缺失或不可获取的。假设不给定类型信息,我们定义了一种所谓的潜在异质图(LHG),其携带潜在异质语义,因为节点/边类型无法被观测。本文研究LHG上链接预测这一具有挑战性且未被探索的问题。由于现有方法严重依赖基于类型的信息,它们在LHGs上表现次优甚至不适用。为应对类型信息的缺失,我们提出名为LHGNN的模型,基于节点和路径层级的语义嵌入这一新颖思想,以捕捉节点上及节点间的潜在语义。我们进一步设计了一个个性化函数,根据其相对于目标节点的潜在语义来调节异质上下文,以实现更细粒度的聚合。最后,我们在四个基准数据集上进行了大量实验,并证明了LHGNN的优越性能。
引用
@article{arxiv.2302.10432,
title = {Link Prediction on Latent Heterogeneous Graphs},
author = {Trung-Kien Nguyen and Zemin Liu and Yuan Fang},
journal= {arXiv preprint arXiv:2302.10432},
year = {2023}
}
备注
This paper has been accepted by TheWebConf 2023