基于模体综合转录的异质信息网络中用户引导聚类
社会与信息网络
2019-09-24 v3 机器学习
摘要
具有丰富语义的异质信息网络（HINs）在现实应用中无处不在。对于给定的 HIN，许多具有不同语义含义的合理聚类结果可同时存在。因此，在用户对一小部分节点提供标签的 HINs 中，用户引导聚类具有重大实用价值。为迎合由不同预期聚类结果所体现出的广泛用户引导需求，仔细挖掘数据中蕴含的信号可能颇有益处。同时，作为复杂网络的一种，HINs 常封装反映节点与边相互锁定本质的高阶交互。网络模体（有时称为元图）已被用作捕捉此类高阶交互并揭示多种不同语义的工具。因此我们借助网络模体处理 HINs 中的用户引导聚类问题。在此过程中，我们明确了直接建模高阶交互而不将其退化为成对交互的效用与重要性。为此，我们通过模体将高阶交互信号全面转录为一系列张量，并基于联合非负张量分解提出 MoCHIN 模型。该方法适用于任意数量、任意形式的 HIN 模体。我们还提出一种带加速方法的推断算法，以应对张量尺寸随模体中节点数增加呈指数增长的挑战。我们在两个真实数据集和三项任务上验证了所提方法的有效性，且在三种不同指标下的三项评估任务中 MoCHIN 均优于所有基线。额外实验证明了模体的效用，以及尤其在用户引导有限时直接建模高阶信息的益处。
引用
@article{arxiv.1811.11320,
title = {User-Guided Clustering in Heterogeneous Information Networks via Motif-Based Comprehensive Transcription},
author = {Yu Shi and Xinwei He and Naijing Zhang and Carl Yang and Jiawei Han},
journal= {arXiv preprint arXiv:1811.11320},
year = {2019}
}
备注
24 pages including additional supplementary materials. In Proceedings of the 2019 European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, W\"urzburg, Germany, 2019