©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:
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。
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。
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