motif2vec：面向异构网络的模体感知节点表示学习
社会与信息网络
2019-08-23 v1 机器学习
摘要
近年来，随着从车载网络设计到物联网流量管理再到社交网络推荐等应用的出现，人们对图与网络上的机器学习兴趣激增。网络中的监督式机器学习任务，如节点分类和链接预测，要求我们进行特征工程，这被公认是应用机器学习成功的关键。致力于表示学习，特别是使用深度学习的表示学习的研究，已向我们展示了从大量可能含有噪声的原始数据中自动学习相关特征的方法。然而，大多数方法不足以处理异构信息网络，而这类网络几乎代表了当今大多数真实世界的数据。这些方法不能很好地保留多种类型节点和链接的结构与语义，无法捕获高阶异构连接模式，也不能确保生成表示的节点覆盖率。我们提出一种新颖高效的算法 motif2vec，用于学习异构网络的节点表示或嵌入。具体而言，我们利用以模体形式存在的高阶、重复出现且统计显著的网络连接模式，将原始图转换为模体图，进行有偏随机游走以高效探索高阶邻域，然后采用异构 skip-gram 模型生成嵌入。与以往使用不同图元结构引导随机游走的工作不同，我们使用图模体来转换原始网络并保留异构性。我们在来自不同领域的多个真实世界网络上，针对多类节点分类和链接预测任务，将所提出的算法与现有最先进方法进行了评估，并证明了其相对于先前工作的一贯优越性。
引用
@article{arxiv.1908.08227,
title = {motif2vec: Motif Aware Node Representation Learning for Heterogeneous Networks},
author = {Manoj Reddy Dareddy and Mahashweta Das and Hao Yang},
journal= {arXiv preprint arXiv:1908.08227},
year = {2019}
}