异质网络表示--基于hyperedge

hyper graph是一种广义上的图，它的边可以连接任意数量的定点。[维基百科](https://zh.wikipedia.org/wiki/%E8%B6%85%E5%9B%BE)。超图是一个集合组 $H=<X,E>$, X是一个有限集合，该集合的元素称为节点或顶点；E是X的非空子集的集合，成为超边（hyper edge）或连接。因此，E是 $\mathcal{P}(X) \setminus \{\phi\}$的一个子集，其中 $\mathcal{P}(X)$是X的一个幂集。图的边有一对节点，而超边是节点的任意集合，因而可以有任意数量的节点。每个超边连接节点数目相同的超图，是k-均匀超图。如下图所示（[维基百科](https://zh.wikipedia.org/wiki/%E8%B6%85%E5%9B%BE)）：

---

HEBE（Large-Scale Embedding Learning in Heterogeneous Event Data）

对于只包含单种interaction的网络，一般都是在局部采集上下文(比如在文本中的，滑动窗口内的词视为上下文)，然后通过预测上下文来构建目标函数。
对于一个包含多种节点和边类型的网络，现有的方法PTE等，将所有object之间同时存在的interaction分解为几个分散的pairwise的interaction（比如论文网络，分解为论文-作者，论文-期刊/会议等），然后用传统的single-typed网络embedding方法求解。这种分解会丢失很多重要的信息，举个例子: A在期刊V上发表了论文$P_1$, B在期刊V上发表了论文$P_2$，但是A-B之间并没有合作关系（$A-P_1-V-P_2-B$）。
HEBE 主要做的就是把跟一个事件相关的节点都关联到一个hyper edge中，以此来保留网络更多的信息。
如下图所示：
例1 DBLP数据只有一种event ：

例2 Yelp数据有两种event ：

几个基本定义

1. Information Network： 给定一个有T类objects的集合$\mathcal{X} = \{X_t\}_{t=1}^T$ （ 其中$X_t$是所有$t^{th}$类的object的集合），信息网络就是$\mathcal{G}=(\mathcal{X}, \mathcal{E})$，$\mathcal{E}$是连接两个object的边。如果 $T \geq 2$， 那么是异质(heterogeneous)网络；如果T=1，那么是同质（homogeneous）网络。
2. 事件(event)： $Q_i$可以表示为 <Vi,wi> <script type="math/tex" id="MathJax-Element-14"> </script>，其中 $w_i$ 是事件 $Q_i$的权重； $V_i=\{V_i^t\}_{t=1}^T$，并且 $V_i^t \subseteq X_t$表示的是属于t类型的object的集合。
3. 超边： $H_i$刻画事件Q_i$，它把与事件的所有相关objects看作一个整体。
4. Subevent：子事件就是从每个object类型中均匀地采样出一个object组成地事件。现实的场景中，一个事件中的不同object类型对应的object数目 $|V_i^t| \geq 1$（比如：一篇论文对应多个作者，多个term，却只对应一个venue）。对于一个事件 Qi={ Vi,wi},Vi={ a1,a2,a3}∪{