HIN2vec 主要是学习异质网络节点和关系的embedding向量表示。HIN2vec主要跟为训练数据准备和表示学习两部分。在训练数据准备中,将网络数据表示成 <x,y,r,L(x,y,r)> <script type="math/tex" id="MathJax-Element-1471"> </script>的形式,它堆不同的关系类型 r 加以区分;在表示学习中,主要实现方式是最大化多个联合(jointly)二分类的概率(预测将relation的类别:即两个节点之间是否存在某种指定的meta-path: π )联合训练。模型框架如下图所示:
- 表示学习
在给定异质网络 G=(V,E,Φ,Ψ) 时,meta-path π 表示的是节点类型序列 a1,a2,⋯,an 和/或 边类型的序列 r1,r2,⋯,rn−1
π=a1⟶r1a2⟶r2⋯⟶rn−1an
如途中是一个paper-author的异质网络,P代表论文节点, A代表作者节点,在2-hops范围内的meta-path可以有:
R={
P−P,P−A,A−P,P−P−A,P−P−P,P−A−P,A−P−P,A−P