基于层次聚合与关系度量学习集成的树结构感知图表示学习
社会与信息网络
2020-09-22 v2 机器学习
摘要
尽管图神经网络（GNN）在齐次图的节点表示学习中已展现出优越性，但在异质图上利用GNN仍是一个具有挑战性的问题。主要原因在于GNN通过聚合邻居信息来学习节点表示而不区分节点类型。已有一些工作通过利用关系或元路径来采样不同类别的邻居，再使用注意力机制学习不同类别的不同重要性，以缓解该问题。然而，一个局限是不同类型节点的学习表示应拥有不同的特征空间，而上述所有工作仍将节点表示投影到同一特征空间中。此外，在探索大量异质图后，我们发现同一类型的多个节点总是连接到另一类型的某个节点，这揭示了多对一模式，即层次树结构。但上述所有工作均无法保留此种树结构，因为从邻居到目标节点的精确多跳路径关联会在聚合过程中被抹除。因此，为克服现有文献的局限，我们提出T-GNN，一种用于图表示学习的树结构感知图神经网络模型。具体而言，所提出的T-GNN由两个模块组成：（1）层次聚合集成模块与（2）关系度量学习模块。层次聚合集成模块旨在通过结合GNN与门控循环单元，将树结构上的层次与序列邻域信息整合到节点表示中，以保留树结构。关系度量学习模块旨在通过基于相似性度量将每类节点嵌入到具有不同分布的特定类型空间中，以保留异质性。
引用
@article{arxiv.2008.10003,
title = {Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning},
author = {Ziyue Qiao and Pengyang Wang and Yanjie Fu and Yi Du and Pengfei Wang and Yuanchun Zhou},
journal= {arXiv preprint arXiv:2008.10003},
year = {2020}
}
备注
accepted by ICDM 2020 as regular paper