异质信息网络上感知来源的嵌入训练
人工智能
2023-07-11 v1 机器学习
社会与信息网络
摘要
异质信息网络（HINs）已广泛应用于推荐系统、社交网络和引文网络等现实任务。尽管现有的HIN表示学习方法能有效学习网络中的语义与结构特征，却很少关注单一HIN内子图间的分布差异。然而，我们发现忽略多来源子图间的此类分布差异会阻碍图嵌入学习算法的有效性。这促使我们提出SUMSHINE（可扩展无监督多来源异质信息网络嵌入）——一种用于对齐HIN多来源间嵌入分布的可扩展无监督框架。在多种下游任务的真实数据集上的实验结果验证了我们的方法优于最先进的异质信息网络嵌入算法。
引用
@article{arxiv.2307.04336,
title = {Source-Aware Embedding Training on Heterogeneous Information Networks},
author = {Tsai Hor Chan and Chi Ho Wong and Jiajun Shen and Guosheng Yin},
journal= {arXiv preprint arXiv:2307.04336},
year = {2023}
}
备注
Published in Data Intelligence 2023