metapath2vec: Scalable Representation Learning for Heterogeneous Networks
metapath2vec https://dl.acm.org/citation.cfm?id=3098036是17年发表的,使用基于meta-path的随机游走重构节点的异质邻居,并用异质的skip-gram模型求解节点的网络表示。DeepWalk 是同质网络中的表示学习方法,并不能直接应用到异质网络。比如:并不能解决多种类型节点的“word-context”对的问题,异质网络中的random walk问题。
本文提出了两种模型,metapath2vec 和 metapath2vec++。模型框架如下图所示:
- Heterogeneous Skip-Gram
对于一个 |TV|>1 的异质网络 G=(V,E,T)(ϕ:V→TV,ψ:E→TE) ,metapath2vec通过skip-gram模型学习网络表示。给定一个节点v, 它最大化节点的异质上下文(context) Nt(v),(t∈TV)
argmaxθ∑v∈V∑t∈TV∑ct∈Nt(v)p(ct|v;θ)(1)
条件概率 p(ct|v;θ) 定义为soft-max函数 p(ct|v;