论文链接:
https://www.aminer.cn/pub/61850e9691e01121084ca0b5?f=cs
由多种类型的节点和链接组成的异构图 (HG) 可以表征各种现实世界的复杂系统。最近,异构图神经网络(HGNNs)作为一种强大的图嵌入方法来聚合异构结构和属性信息,赢得了很多关注。
尽管 HGNN 能够捕获揭示节点不同方面的丰富语义,但它们仍然停留在简单地利用结构特征的粗粒度级别。事实上,节点丰富的非结构化文本内容也承载着多方面主题感知因素所产生的潜在但更细粒度的语义,这从根本上体现了为什么不同类型的节点会连接并形成特定的异构结构。然而,很少有人致力于对它们进行因式分解。 在本文中,我们提出了一种名为 THGNN 的 Topic-aware Heterogeneous Graph Neural Network,以分层挖掘主题感知语义,用于学习 HG 中链接预测的多面节点表示。
具体来说,我们的模型主要采用交替的聚合机制,包括元路径内分解和元路径间合并,可以根据推理主题感知因素独特地聚合丰富的异构信息并保留层次语义。此外,还设计了一个主题先验指导模块,以依靠来自 HG 中非结构化文本内容的全局知识来保持多方面主题感知嵌入的质量。它有助于同时提高性能和可解释性。在三个真实世界的 HG 上的实验结果表明,我们提出的模型在链接预测任务中可以有效地优于最先进的方法,并展示了学习的多方面主题感知表示的潜在可解释性。
AMiner,让AI帮你理解科学!https://www.aminer.cn
AMiner推荐论文:Topic-aware Heterogeneous Graph Neural Network for Link Prediction
THGNN是一种新的异构图神经网络模型,旨在深入挖掘节点间的主题感知语义。通过元路径内分解和元路径间合并的聚合机制,THGNN能够从非结构化文本内容中抽取多层次的主题信息,从而改善链接预测任务的性能。模型还包括一个主题先验指导模块,以确保嵌入的质量和可解释性。实验结果显示,THGNN在链接预测上优于现有方法。
摘要由CSDN通过智能技术生成