属性多重异构网络的表示学习
社会与信息网络
2019-05-21 v2 机器学习
摘要
网络嵌入（或图嵌入）已广泛应用于许多真实场景。然而，现有方法主要关注具有单一类型节点/边的网络，且难以扩展以处理大规模网络。许多真实网络由数十亿计的多类型节点与边构成，且每个节点关联不同属性。本文形式化了属性多重异构网络的嵌入学习问题，并提出一个统一框架来解决该问题。该框架支持转导式与归纳式学习。我们还给出了所提框架的理论分析，展示了其与以往工作的联系并证明了其更强的表达能力。我们在四类不同且具有挑战性的数据集（Amazon、YouTube、Twitter 与 Alibaba）上对所提框架进行了系统评估。实验结果表明，利用该框架学习到的嵌入，在链接预测上相较先前最先进（SOTA）方法取得了统计显著的提升（例如 F1 分数提升 5.99–28.23%；p<<0.01，t 检验）。该框架也已成功部署于全球领先电商企业阿里巴巴集团推荐系统中。产品推荐的离线 A/B 测试结果进一步证实了该框架在实践中的有效性与高效性。
引用
@article{arxiv.1905.01669,
title = {Representation Learning for Attributed Multiplex Heterogeneous Network},
author = {Yukuo Cen and Xu Zou and Jianwei Zhang and Hongxia Yang and Jingren Zhou and Jie Tang},
journal= {arXiv preprint arXiv:1905.01669},
year = {2019}
}
备注
Accepted to KDD 2019. Website: https://sites.google.com/view/gatne