基于meta-path的异质网络Embedding-HIN2vec

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: $\pi$）联合训练。模型框架如下图所示：

• 表示学习
  在给定异质网络$G=(V,E, \Phi, \Psi)$时，meta-path $\pi$ 表示的是节点类型序列$a_1,a_2, \cdots, a_n$ 和/或 边类型的序列 $r_1,r_2, \cdots, r_{n-1}$
  $$\begin{equation} \pi = a_1 \stackrel{r_1}{\longrightarrow} a_2 \stackrel{r_2}{\longrightarrow} \cdots \stackrel{r_{n-1}}{\longrightarrow} a_n \end{equation}$$

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