关注关系：面向属性多重异构网络的多嵌入方法
机器学习
2022-03-04 v1
摘要
图卷积神经网络（GCNs）已成为许多下游网络挖掘任务（如节点分类、链接预测和社区检测）的有效机器学习算法。然而，大多数 GCN 方法针对同质网络开发，且局限于为每个节点提供单一嵌入。复杂系统常以异构、多重网络表示，对 GCN 模型提出了更困难的挑战，要求此类技术捕捉节点之间发生的多样上下文与各类交互。在这项工作中，我们提出 RAHMeN，一种面向属性异构多重网络的新型统一关系感知嵌入框架。我们的模型结合节点属性、基于模体的特征、基于关系的 GCN 方法以及关系自注意力，以针对异构多重网络中各种关系学习节点嵌入。与先前工作相比，RAHMeN 是一种更具表达力的嵌入框架，它接纳此类网络中节点的多面性，产生一组捕捉节点多变且多样上下文的多嵌入。我们在来自 Amazon、Twitter、YouTube 和 Tissue PPIs 的四个真实世界数据集上，以转导与归纳两种设定评估了我们的模型。结果表明 RAHMeN 持续优于可比较的最先进网络嵌入模型，且对 RAHMeN 关系自注意力的分析表明，我们的模型发现了异构多重网络中关系之间可解释的关联。
引用
@article{arxiv.2203.01903,
title = {Pay Attention to Relations: Multi-embeddings for Attributed Multiplex Networks},
author = {Joshua Melton and Michael Ridenhour and Siddharth Krishnan},
journal= {arXiv preprint arXiv:2203.01903},
year = {2022}
}
备注
10 pages, 7 figures