面向异构信息网络的通用网络表示
社会与信息网络
2018-11-30 v1 人工智能
计算与语言
摘要
网络表示旨在将网络中的节点表示为连续紧凑的向量，因能捕捉网络内部复杂结构关系而近年来备受关注。然而，现有网络表示方法通常针对同质信息网络设计，其中网络所有节点（实体）类型相同，例如引文网络中的论文。在本文中，我们提出一种通用网络表示方法（UNRA），将异构信息网络中不同类型的节点表示于连续公共向量空间中。UNRA 构建于我们最新的互更新神经语言模块之上，该模块同时捕捉同质节点间相互关系与节点-内容关联。不同类型节点间的关系也在统一框架中被整合与学习。实验验证，在节点表示、节点分类和网络可视化方面，UNRA 相较于其他六种最先进算法取得了优异性能。在节点分类中，UNRA 在准确率上实现了 3% 至 132% 的性能提升。
引用
@article{arxiv.1811.12157,
title = {Universal Network Representation for Heterogeneous Information Networks},
author = {Ruiqi Hu and Celina Ping Yu and Sai-Fu Fung and Shirui Pan and Haishuai Wang and Guodong Long},
journal= {arXiv preprint arXiv:1811.12157},
year = {2018}
}