基于元路径引导的邻居聚合网络用于异构图推理
人工智能
2021-03-12 v1 机器学习
社会与信息网络
摘要
大多数真实世界的数据集本质上是异构图，涉及多种节点和关系类型。异构图嵌入旨在从图中学习结构与语义信息，并将其嵌入到低维节点表示中。现有方法通常通过定义代表图语义的元路径来捕获异构图的复合关系。然而，这些方法要么忽略节点属性，要么丢弃图的局部与全局信息，要么仅考虑单一元路径。为应对这些局限，我们提出一种元路径引导的邻居聚合异构图神经网络（MHN）以提升性能。具体而言，MHN采用节点基础嵌入封装节点属性，在元路径内通过BFS与DFS邻居聚合捕获局部与全局信息，并通过元路径聚合结合异构图的多种语义。我们在三个真实世界异构图数据集上对提出的MHN进行了大量实验，包括节点分类、链接预测以及阿里巴巴移动应用的线上A/B测试。结果表明MHN优于其他最先进的基线方法。
引用
@article{arxiv.2103.06474,
title = {Metapaths guided Neighbors aggregated Network for?Heterogeneous Graph Reasoning},
author = {Bang Lin and Xiuchong Wang and Yu Dong and Chengfu Huo and Weijun Ren and Chuanyu Xu},
journal= {arXiv preprint arXiv:2103.06474},
year = {2021}
}