文本增强的稀疏双曲图卷积网络
信息检索
2022-07-08 v2 机器学习
社会与信息网络
摘要
异质网络将包含文本的丰富节点以不同边类型相连，在各种现实应用中常用于存储与处理信息。图神经网络（GNN）及其双曲变体分别通过邻域聚合与层次特征提取，为将此类网络编码至低维潜空间提供了有前景的方法。然而，这些方法通常忽略元路径结构与可用的语义信息，且对训练数据中的噪声敏感。为应对这些局限，本文提出文本增强的稀疏双曲图卷积网络（TESH-GCN），利用语义信号捕获图的元路径结构，并进一步提升大规模异质图中的预测性能。在 TESH-GCN 中，我们提取语义节点信息，其依次作为连接信号，在重构的双曲图卷积层中从稀疏邻接张量提取相关节点的局部邻域与图级元路径特征。这些提取的特征结合来自语言模型的语义特征（用于鲁棒性）用于最终下游任务。在多个异质图数据集上的实验表明，我们的模型在链接预测任务上大幅优于当前最先进方法。我们还通过重构的双曲图卷积，相比现有双曲方法报告了训练时间与模型参数的减少。此外，我们通过对图结构与文本中不同级别模拟噪声的实验展示了模型的鲁棒性，并提出了一种通过分析提取的元路径来解释 TESH-GCN 预测的机制。
引用
@article{arxiv.2207.02368,
title = {Text Enriched Sparse Hyperbolic Graph Convolutional Networks},
author = {Nurendra Choudhary and Nikhil Rao and Karthik Subbian and Chandan K. Reddy},
journal= {arXiv preprint arXiv:2207.02368},
year = {2022}
}
备注
Preprint under review. 13 pages, 10 figures, 6 tables