面向异构信息网络中归纳式相似度搜索的神经 PathSim
社会与信息网络
2021-09-06 v1
摘要
PathSim 是异构信息网络中广泛使用的基于元路径的相似度。众多应用依赖于 PathSim 的计算，包括相似度搜索与聚类。由于高时间与存储复杂度，在大型图上计算 PathSim 分数在计算上具有挑战性。本文中，我们提出将逼近真实 PathSim 分数的问题转化为一个学习问题。我们设计了一个基于编码器-解码器的框架 NeuPath，其中考虑了 PathSim 的算法结构。具体而言，编码器模块识别可逼近真实 PathSim 的 Top T 优化路径实例，并将每个路径实例映射为一个嵌入向量。解码器将每个嵌入向量分别转换为一个标量，以标识相似度分数。我们在 ACM 与 IMDB 两个不同领域的真实数据集上进行了大量实验。结果表明，在 PathSim 逼近任务与相似度搜索任务中，NeuPath 优于 SOTA 基线。
引用
@article{arxiv.2109.01549,
title = {Neural PathSim for Inductive Similarity Search in Heterogeneous Information Networks},
author = {Wenyi Xiao and Huan Zhao and Vincent W. Zheng and Yangqiu Song},
journal= {arXiv preprint arXiv:2109.01549},
year = {2021}
}
备注
Accepted by CIKM 2021