从近期两篇论文看大规模商品图嵌入

©PaperWeekly 原创 · 作者｜桑运鑫

学校｜上海交通大学硕士生

研究方向｜图神经网络在金融领域的应用

GATNE

论文标题：Representation Learning for Attributed Multiplex Heterogeneous Network

论文来源：KDD 2019

论文链接：https://arxiv.org/abs/1905.01669

代码链接：https://github.com/THUDM/GATNE

这篇论文提出了一种在 Attributed Multiplex Heterogeneous Network 上进行嵌入学习的框架 GATNE，该框架同时支持转导式学习（transductive learning）和归纳式学习（inductive learning），在 Amazon，Youtube，Twitter 和 Alibaba 四个数据集上取得显著提升。

相比于传统的只有一种边或只有一种节点的图，Attributed Multiplex Heterogeneous Network（AMHEN）中包含多种节点，多种边，每种节点都有不同的属性，各种类型的图有代表性的嵌入方法如下表所示。

AMHEN 有以下几个问题：

1. 每对节点之间可能有多种类型的边，需要对每种关系都学习不同的表示。

2. 很多图嵌入方法都是转导式学习，无法处理没有见过的数据，而商品推荐中存在长尾和冷启动的问题。

3. 真实场景中的图规模通常很大，所以提出的算法应当可以处理大规模数据。

基于上述问题，文章提出了 General Attributed Multiplex HeTerogeneous Network Embedding（GATHE）。

对于一个图 ， 是 个节点的集合， 是属于不同关系 的边的集合，每条边 都有一个权重 ，根据边的类型 ，我们可以将图拆分成各个子图 。

为了使模型同时适用于转导式学习和归纳式学习，文章首先提出了适用于转导式学习的 GATNE-T，之后通过一些改进提出了适用于归纳式学习的 GATNE-I。

对于 GATNE-T，对每个节点 的 embedding 分为 base embedding 和 edge embedding 两部分。同一个节点的 base embedding 在不同的边类型中是一样的。在边类型为