面向大规模异构信息网络的元路径约束随机游走推断
社会与信息网络
2019-12-03 v1 机器学习
摘要
异构信息网络（HIN）已展现出将真实世界数据建模为多类型实体-关系图的能力。元路径是这种能力的关键贡献者，因为它通过丰富的语义链接捕获实体间的邻近性来实现推断。以往的HIN研究要求用户直接提供1）元路径，或2）有偏样本以生成元路径。然而，许多HIN（如YAGO2与Freebase）具有由大量复杂实体与关系类型组成的丰富模式。用户难以提供元路径以支持大规模推断，且有偏样本会导致基于元路径的推断错误，从而限制了元路径的能力。本文中，我们提出一种元路径约束推断框架以进一步释放元路径的能力，通过精心设计的树结构高效学习HIN推断模式，并以极少的用户引导执行无偏随机游走推断。在YAGO2与DBLP数据集上的实验结果表明了元路径约束推断框架的最先进性能。
引用
@article{arxiv.1912.00634,
title = {Meta-Path Constrained Random Walk Inference for Large-Scale Heterogeneous Information Networks},
author = {Chenguang Wang},
journal= {arXiv preprint arXiv:1912.00634},
year = {2019}
}
备注
9 pages, 3 figures, 3 tables