Re31：读论文 metapath2vec: Scalable Representation Learning for Heterogeneous Networks

诸神缄默不语-个人CSDN博文目录

论文名称：metapath2vec: Scalable Representation Learning for Heterogeneous Networks
论文下载地址：https://ericdongyx.github.io/papers/KDD17-dong-chawla-swami-metapath2vec.pdf
官网：https://ericdongyx.github.io/metapath2vec/m2v.html（有PPT和视频，但是我还没看）

本文是2017年KDD论文，经典的异质图神经网络论文。
本文提出metapath2vec和metapath2vec++，metapath2vec用基于metapath的随机游走来构建节点邻居，用异质skip-gram模型学习节点表征；metapath2vec++同时学习异质图网络中的结构和语义关系。

1. Background & Motivation

很多图表示学习框架，如DeepWalk、LINE、node2vec等，都是参考了NLP中word2vec思路实现的。这免于了设计网络特征，直接学习隐特征。

下游任务：节点分类，聚类，similarity search¹²
（在介绍相关研究工作的时候，感觉Predictive Text Embedding (PTE)这个模型可能以后也需要去看一下）

（related work小节没看）

2. 模型

（以下负采样等具体细节不赘）

2.1 metapath2vec

DeepWalk和node2vec用随机游走获取上下文信息，用skip-gram模型学习节点表征：

异质图skip-gram：

在异质图上直接进行随机游走可能会严重biased，因此使用metapath

metapath惯例以同种节点作为始终。
RW概率：

2.2 metapath2vec++

3. 实验

3.1 数据集

AMiner
DBIS

3.2 baseline

DeepWalk/node2vec
LINE
PTE
Spectral Clustering/Graph Factorization：直接就没拿来比了

3.3 实验设置

略

3.4 multi-class节点分类

3.5 节点聚类

3.6 案例分析：similarity search

3.7 Scalability

4. Future Work

1. 中间输出太大
2. 自动学习metapath
3. 应用到动态图上
4. 泛化到其他领域

---

1. PathSim: meta path-based top-K similarity search in heterogeneous information networks ↩︎

2. Panther: Fast Top-k Similarity Search on Large Networks ↩︎