metapath2vec-论文笔记

metapath2vec-论文笔记

菜鸟的第二篇网络嵌入论文阅读笔记

摘要

文章研究异构网络中的表征学习。异构网络独有的挑战是多种多样的节点和边。于是作者提出了meta-path2vec，meta-path2vec形式化基于meta-path的随机游走来构造节点的异构邻域，然后使用异构的Skip-gram来嵌入。

meta-path2vec++可以实现异构网络中结构和语义的同时建模。

Intro

基于神经网络的学习模型可以得到能够体现复杂数据形式之间的内部联系的潜在嵌入

Neural network-based learning models can represent latent embed-

dings that capture the internal relations of rich, complex data across

various modalities.

当前学习模型DeepWalk等都专注于同构图，很难处理异构图中的多种域节点和多种边关系。如果能够解决这些问题，潜在异构图网络能够进一步的应用到各种网络挖掘任务，例如节点分类，聚类和同质搜索。

与传统的基于元路径的方法相比，潜在空间表征学习的优势在于他的模拟无连接节点之间的相似的的能力。

In contrast to conventional meta-path-based methods , the advantage of latent-space representation learning lies in its ability to model similarities between nodes without connected meta-paths.

本文贡献

作者形式化了异构图表征学习这一问题，这一问题的目标在于同时的学习多类型节点的地位潜在嵌入。作者提出了meta-path2vec和它的升级版meta-ath2vec++.

算法的目的在于最大化保存结构和语义特征的可能性。

• 基于源路径的随机游走
• Skip-Gram算法
• 负采样-meta-path2vec++,一提高预测异构图中节点的邻域的准确性
  

Remarkably, we find that metapath2vec++is capable of automatically organizing these two types of nodes and implicitly learning the internal relationships between them, suggested by the similar directions and distances of the arrows connecting each pair. For example, it learns J.Dean→OSDI and C. D. Manning→ACL. metapath2vecis also able to group each author-conference pair closely, such as R. E. Tarjan and FOCS.

meta-path2vec方法能够自动的组织好两种节点，且显示的学习之间的内在联系，通过边之间的方向和距离。例如图中作者和会议就被分开成泾渭分明的两边，而且箭头近乎方向相同而且距离相似。

而meta-path2vec则能狗将作者与会议紧密的联系在一起。

问题定义

异构图

图表示为$G=(V,E,T)$，在图中每个$v\in V$和$e\in E$都有一个映射函数$\varphi (\cdot )$,将节点或边映射为节点和边的类型。$\varphi (v):V->T_{V}and\varphi (e):$