面向异构图神经网络的个性化元路径生成
机器学习
2022-10-12 v2
摘要
近年来，异构图表示学习（HGRL）受到越来越多的关注，其旨在将异构信息网络（HINs）中丰富的结构与语义信息嵌入到低维节点表示中。迄今为止，大多数 HGRL 模型依赖于手工设计的元路径。然而，对手工定义元路径的依赖需要领域知识，而对于复杂 HINs 而言这难以获取。更重要的是，所有现有 HGRL 方法的预定义或生成的、附着于每种节点类型或节点对的元路径，都无法针对每个单独节点进行个性化。为充分释放 HGRL 的潜力，我们提出一种新框架——基于个性化元路径的异构图神经网络（PM-HGNN），以联合生成针对 HIN 中每个单独节点个性化的元路径，并为节点分类等目标下游任务学习节点表示。具体而言，PM-HGNN 将元路径生成视为马尔可夫决策过程，并利用策略网络自适应地为每个单独节点生成元路径，同时学习有效的节点表示。该策略网络通过深度强化学习、利用下游任务上的性能提升进行训练。我们进一步提出扩展版 PM-HGNN++，以更好地编码关系结构并加速元路径生成过程中的训练。实验结果表明，在各种节点分类设定下，PM-HGNN 与 PM-HGNN++ 均能显著且持续地优于 16 个竞争基线与最先进方法。定性分析也显示 PM-HGNN++ 能识别出被人类知识忽略的有意义元路径。
引用
@article{arxiv.2010.13735,
title = {Personalised Meta-path Generation for Heterogeneous GNNs},
author = {Zhiqiang Zhong and Cheng-Te Li and Jun Pang},
journal= {arXiv preprint arXiv:2010.13735},
year = {2022}
}