面向异构信息网络的原型增强超图学习
机器学习
2023-09-26 v1 社会与信息网络
摘要
多媒体数据中关系的多样性和复杂性导致了异构信息网络（HINs）。从此类网络中捕获语义需要能够利用 HINs 全部丰富性的方法。现有的 HINs 建模方法采用最初为图神经网络设计的技术，以及 HINs 分解分析，如使用人工预定义元路径。本文中，我们引入一种新颖的原型增强超图学习方法，用于 HINs 中的节点分类。我们的方法使用超图而非图，捕获节点间高阶关系并提取语义信息，且不依赖元路径。我们的方法利用原型的威力来提高超图学习过程的鲁棒性，并创造了提供底层网络结构人类可解释洞察的潜力。在三个真实世界 HINs 上的大量实验证明了我们方法的有效性。
引用
@article{arxiv.2309.13092,
title = {Prototype-Enhanced Hypergraph Learning for Heterogeneous Information Networks},
author = {Shuai Wang and Jiayi Shen and Athanasios Efthymiou and Stevan Rudinac and Monika Kackovic and Nachoem Wijnberg and Marcel Worring},
journal= {arXiv preprint arXiv:2309.13092},
year = {2023}
}