基于meta-path的异质网络Embedding-metapath2vec

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$|T_V| > 1$的异质网络$G=(V,E,T) \quad (\phi : V \to T_V, \quad \psi: E \to T_E)$，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) $N_t(v), \quad (t \in T_V)$
  $$\begin{equation} arg max_{\theta} \sum_{v \in V} \sum_{t \in T_V} \sum{c_t \in N_t(v)} p(c_t|v; \theta) \tag{1} \end{equation}$$

条件概率$p(c_t|v; \theta)$定义为soft-max函数 p(ct|v;