【论文解读】ICDM2020 | 挖掘异构图中的层级结构

1. 基于层次聚合和关系度量学习的树结构感知图表示学习

Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning

Ziyue Qiao, Pengyang Wang, Yanjie Fu, Yi Du, Pengfei Wang, Yuanchun Zhou

尽管图神经网络（GNN）在学习homogeneous 图的节点表示方面显示出优势，但在异构图上利用GNN仍然是一个具有挑战性的问题。主要原因是GNN通过聚集邻居信息而不考虑节点类型来学习节点表示。目前已经提出了一些工作来缓解这种问题，方法是利用关系或元路径对具有不同类别的邻居进行采样，然后使用注意力机制来了解不同类别的重要性。然而，一个局限性在于，学习到的用于不同类型节点的表示应具有不同的特征空间，而上述所有工作仍将节点表示投影到一个特征空间中。此外，在研究了大量的异构图之后，我们发现了一个事实，即具有相同类型的多个节点始终连接到具有另一类型的节点，这揭示了多对一的架构（也称为分层树结构）。但是上述所有工作都不能保留这种树结构，因为从邻居到目标节点的多跳关系会被聚合过程消除。因此，为克服文献的局限性，我们提出了T-GNN，这是一种用于树结构表示的图表示学习的树结构感知图神经网络模型。具体而言，提出的T-GNN由两个模块组成：（1）集成的层次聚合模块和（2）关系度量学习模块。集成的层次聚合模块旨在通过将GNN与GRU相结合将树层次结构和顺序邻域信息集成到节点表示中来保留树结构。关系度量学习模块旨在通过将每种类型的节点嵌入到基于相似性度量具有不同分布的特定于类型的空间中来保留异质性。

往期精彩回顾



适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑
本站qq群851320808，加入微信群请扫码：