HIN2Vec：异质信息网络中的表示学习 | PaperDaily #18

在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。

在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。

点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。

这是 PaperDaily 的第 18 篇文章

本期推荐的论文笔记来自 PaperWeekly 社区用户 @YFLu。这篇论文发表在刚刚结束的 2017CIKM 会议上，论文提出了一种针对异质信息网络的表示学习框架 HIN2Vec。

不同于之前很多基于 Skip-gram 语言模型的工作，HIN2Vec 的核心是一个神经网络模型，不仅能够学习网络中节点的表示，同时还学到了关系（元路径）的表示。

如果你对本文工作感兴趣，点击底部的阅读原文即可查看原论文。

关于作者：陆元福，北京邮电大学计算机系硕士生，研究方向为异质信息网络的表示学习。

■ 论文 | HIN2Vec: Explore Meta-paths in Heterogeneous Information Networks for Representation Learning

■ 链接 | https://www.paperweekly.site/papers/1182

■ 作者 | YFLu

HIN2Vec 是一篇关于异质信息网络中的表示学习的论文，发表在刚刚结束的 2017CIKM 会议上。这篇论文和我最近的工作有一些相似之处，一些想法甚至有些相同，同样有很多地方值得借鉴。 

论文提出了一种针对异质信息网络的表示学习框架 HIN2Vec，不同于之前很多基于 Skip-gram 语言模型的工作，HIN2Vec 的核心是一个神经网络模型，不仅能够学习网络中节点的表示，同时还学到了关系（元路径）的表示。 

同时论文还对异质信息网络中表示学习的一些问题做了研究实验，例如：元路径向量的正则化、负采样过程中节点的选择以及随机游走中的循环序列问题。

Introduction