基于异构匿名游走的异质结构表示学习
社会与信息网络
2022-01-19 v1 人工智能
摘要
捕捉结构相似性因对理解节点功能与行为大有助益，近期成为网络嵌入领域的热点。然而，现有工作多关注同构网络上的结构学习，而异构网络的相关研究仍为空白。本文尝试迈出异质结构表示学习的第一步，因其节点类型与底层结构组合高度多样而极具挑战。为有效区分多样异质结构，我们首先提出具有理论保证的异构匿名游走（HAW）技术及其变体粗粒度 HAW（CHAW）。继而以数据驱动方式设计异构匿名游走嵌入（HAWE）及其变体粗粒度 HAWE，以避免使用极大量可能的游走，并通过预测各节点邻域内出现的游走训练嵌入。最后，我们在合成与真实网络上设计并开展广泛而具说明性的实验，以构建异质结构学习基准并评估所提方法有效性。结果表明，相较同构与异构经典方法，我们的方法取得了优异性能，且可应用于大规模网络。
引用
@article{arxiv.2201.06972,
title = {Representation Learning on Heterostructures via Heterogeneous Anonymous Walks},
author = {Xuan Guo and Pengfei Jiao and Ting Pan and Wang Zhang and Mengyu Jia and Danyang Shi and Wenjun Wang},
journal= {arXiv preprint arXiv:2201.06972},
year = {2022}
}
备注
13 pages, 6 figures, 5 tables