《Heterogeneous Graph Attention Network》论文解读

《Heterogeneous Graph Attention Network》发表在WWW2019会议上

论文地址

Heterogeneous Graph Attention Network:https://arxiv.org/pdf/1903.07293.pdf

论文解读：

文章目录

• • ABSTRACT
  • KEYWORDS
  • INTRODUCTION
  • RELATED WORK
    • Graph Neural Network
    • Network Embedding
  • PRELIMINARY
  • THE PROPOSED MODEL
    • Node-level Attention
    • Semantic-level Attention
    • Analysis of the Proposed Model
  • EXPERIMENTS
    • Datasets
    • Baselines
  • 论文地址

 

这篇论文将会发表在WWW 2019会议上。

ABSTRACT

​ GNN在深度学习领域表现出了强大的性能。但是，在包含不同节点和边的HIN领域，GNN做的还不够完善。论文提出了一种新的异构图神经网络分层注意力机制，涉及到节点级别和语义级别。节点级别的Attention主要学习节点及其临近节点间的权重，语义级别的Attention是来学习基于不同meta-path的权重。

KEYWORDS

Social Network, Neural Network, Graph Analysis

INTRODUCTION

​ 真实世界中的数据往往是复杂的图结构形势，如：社交网络等，网络中包含不同的节点和不同语义的边。

​ 这部分介绍了GNN、Attention mechanism、HIN等。由于HIN的复杂性，传统的GNN并不能直接应用于HIN中。这就需要新的方法来解决这个问题，论文提出了HAN模型（Heterogeneous graph Attention Network）。

RELATED WORK

Graph Neural Network

​ GNN作为深度学习领域的扩展，用来处理无规则图结构数据。GCN可以分为两类，分别是谱域和非谱域。谱方法用于谱表示的图中，非谱域方法直接在图上进行卷积，对空间上的近邻进行操作。

​ 注意力机制在深度学习中有广泛的应用，self-attention、soft-attention等。也已经有很多基于图Attention的应用，但是都是同构图的数据。

Network Embedding

​ 网络嵌入或者网络表示学习，是在保留网络结构及其属性的前提下，将网络转换到低维空间以应用。以往的方法有很多，随机游走、 深度神经网络、矩阵分解等，也都是基于同构图的。

​ 异构图的embedding主要关注基于meta-path的结构信息。ESim虽然考虑的多条meta-path的信息，但是在面对具体问题时，无法学习到最优的权重组合；Meta-path2vec通过随机游走和skip-gram算法来做embedding，但是其只考虑了一条meta-path；HERec也是只考虑单条meta-path，通过限制策略来过滤节点序列做embedding；HIN2Vec使用了同时训练节点和meta-path的方法；PME通过欧几里德距离来保留节点的邻接区域；HEER则是通过边表示来做异构图的embedding；Meta-graph2vec最大限度保留了结构和语义信息；还有基于meta-graph的嵌入模型，同时考虑了一个meta-graph的所有元信息的隐藏关系。以上方法都没有使用过Attention mechanism来做graph embedding。

PRELIMINARY

Heterogeneous Graph : 图G = (V, E) 包含节点集V和连接集E，异构图还包含一个节点映射函数和一个连接映射函数。

Meta-path：简单来说即是从节点A到节点B所经过的一系列点的序列。

Meta-paht based Neighbors：基于一条meta-path的邻居节点，默认一个节点的邻居节点包括其自身。

​ 下图是论文所提出的HAN的架构图。

THE PROPOSED MODEL

Node-level Attention

​ 在具体任务中，一个节点在meta-path上的邻居节点有不同的重要性。Node-level attention能够学习一个节点基于meta-path的邻居节点的表示作为该节点的embedding。由于graph中包含不同类型的node，所以首先通过转换矩阵将所有节点转换到统一的特征空间。

​ 给定一个节点对(i , j)，Node-level Attention能学习到节点j相对于节点i的权重，重要的一点是(i , j)的权重是非对称的。

​ 通过softmax计算出节点j的权重系数，这里得到的系数也是非对称的。

​ 这只是得到一对(i , j)，通过下面的式子聚合所有邻居节点的系数。

​ 为了更直观显示聚合过程，论文给出了下图，每个Node的embedding都来自邻居节点。

​ 由于异构图数据是scale free的，计算后会有很高的方差，论文通过将Node-level Attention延伸到了Multihead Attention来解决这个问题。紧接着就可以得到Node i 的多条meta-path的embedding集合，即是语义层的embedding，就此Node-level Attention工作完成。

Semantic-level Attention

​ 为了学习到更综合的信息，我们需要根据meta-path将多种语义信息融合到一起。将Node-level Attention的结果作为输入，来学习每条语义的权重。

​ 要学习每条语义的权重，论文首先使用一层的MLP将Semantic embedding进行非线性转换。通过Semantic-level Attention vector q 来衡量多条Semantic embedding 间的相似性。

​ 经过Softmax函数，得到语义权重。

​ 最后，获得的语义层的embedding是这样的。

​ 有了embedding之后，我们就可以构建loss function了，论文使用半监督的方式，通过最小化Cross-Entropy来训练。

​ 整个过程的算法如下。

Analysis of the Proposed Model

• HAN能解决异构图中多种Node、Relation，以及Semantic融合的问题；
• 该模型能够并行计算；
• 整个模型的Attention是共享的；
• 具有很好的可解释性；

EXPERIMENTS

Datasets

​ 实验过程用到了DBLP、ACM、IMDB三个数据集。

Baselines

​ Baseline包括GCN、GAT、HAN of Node、HAN of Semantic、HAN，从分类、聚类的实验结果来看，HAN基本上都是最优的。

本文转载于以下博客地址：http://www.pianshen.com/article/6913351482/

如有冒犯，还望谅解！