大规模异构信息网络中基于元路径引导嵌入的相似性搜索
社会与信息网络
2016-11-01 v1 机器学习
摘要
大多数现实世界的数据可以建模为异构信息网络 (HINs)，其由多种类型的顶点及其关系组成。在大型 HIN（如文献引用网络和商业评论网络）中搜索同类顶点的相似性是一个具有广泛应用的基础问题。尽管此前已有针对 HIN 中相似性搜索的研究，但大多数现有方法既未探索网络结构中蕴含的丰富语义信息，也未将用户偏好作为指导。本文重新审视了 HIN 中的相似性搜索问题，并提出了一种新颖的基于嵌入的框架。该框架将顶点建模为低维向量，以探索嵌入在网络结构中的相似性。为了适应用户在定义相似性语义时的偏好，我们提出的框架 ESim 接受用户定义的元路径作为指导，从而在用户偏好的嵌入空间中学习顶点向量。此外，我们开发了一种高效且并行的基于采样的优化算法，用于在大规模 HIN 中学习嵌入。在真实世界大规模 HIN 上的大量实验表明，ESim 在有效性上显著优于几种最先进算法，并具有良好的可扩展性。
引用
@article{arxiv.1610.09769,
title = {Meta-Path Guided Embedding for Similarity Search in Large-Scale Heterogeneous Information Networks},
author = {Jingbo Shang and Meng Qu and Jialu Liu and Lance M. Kaplan and Jiawei Han and Jian Peng},
journal= {arXiv preprint arXiv:1610.09769},
year = {2016}
}