Heterogeneous Information Networks使用元路径转换为多通道网络

最新推荐文章于 2024-03-07 18:01:11 发布

小酥肉ou

最新推荐文章于 2024-03-07 18:01:11 发布

阅读量1.3k

点赞数

Deep Collective Classification in Heterogeneous Information Networks -----WWW 2018, April 23-27, 2018, Lyon, France

【摘要】在过去的十年里，（协作分类Collective classification）集体分类引起了相当大的关注，在这种情况下，一组国家的标签是相互关联的，应该集体推断，而不是单独推断。传统的聚类方法主要是利用简单的关系特征(如计数和相邻节点上存在的聚合器)。然而，许多实际应用程序都涉及实例之间复杂的依赖关系，这些依赖关系隐藏在网络中。为了在集体分类中捕获这些依赖关系，我们需要超越简单的相关特性，并提取实例之间的深层依赖关系。

本文研究了异构信息网络中的深度集中分类问题Heterogeneous Information Networks (HINs)，它涉及到实例之间不同类型的自相关，从简单到复杂的关系。复杂的自相关关系与传统的自相关关系不同，传统的自相关关系是由网络中的链接显式给出的，复杂的自相关关系在HINs中是模糊的/隐藏的，应该按照层次顺序从现有的链接中推断出来。由于节点之间存在多种类型的依赖关系以及关系特性的复杂性，这个问题非常具有挑战性。在本研究中，我们提出了一种深度卷积的集合分类方法GraphInception来学习HINs中的深度关系特征。该方法可以自动生成具有不同复杂度的关系特征层次结构。在四个真实世界网络上的大量实验表明，我们的方法可以通过考虑HINs中的深层关系特性来提高集合分类性能。

Heterogeneous Information Network：

在许多实际应用中，网络包括多种类型的节点和链接，称为异构信息网络。

Collective Classification in HINs：

本文主要研究一类节点上的集合分类问题，而不是所有节点上的集合分类问题。原因是不同类型节点的标签空间有很大的不同，所以假设所有类型的节点共享同一组标签概念是不合理的。例如，在电影网络中，例如IMDB[9]，电影类型分类任务的标签概念只在电影节点上定义，而不是在导演节点或演员节点上定义。在特定的推理任务中，我们通常只关心一种类型节点上的推理结果。

Multi-channel Network Translation：

通常，我们只关心一种类型的节点，而不关心HINs中的所有节点。为了简化学习曲线，我们提出了多通道网络，其中每个通道是由目标节点类型组成的同构网络，并且从具有不同语义含义的HIN中提取链接（关系）。在本小节中，我们首先介绍一个名为meta path[34]的概念，它通常用于提取HINs中实例之间的关系。然后提出了如何将HIN转换成基于元路径的多通道网络。Metapath定义为关系序列：

表明是合著者关系的元路径关系如下：

每个元路径定义了节点之间唯一的关系，可以用作多通道网络中特定通道的链接类型（multi-channel network）为了更有效地学习实例之间的依赖关系，我们将HIN转换为多通道网络，其中网络的每个通道都通过某种类型的元路径连接。

To simplify the learning curve, we propose the multi-channel network, each channel of which is a homogeneous network consisting of the target nodes type, and the links (relationships) are extracted from the HIN with different semantic meaning. where each channel of the network is connected via a certain type of meta path.

把大图分成用不同的元路径连接的各个子图。

构建元路径的方法有很多:一开始，元路径是由专家手工构建的;在此基础上，提出了在有限路径长度[16]下采用广度优先搜索和基于贪心树模型[24]构造元路径的方法。在本文中，我们选择广度优先搜索来构造元路径。

Previously, we introduced how to translate a HIN G to a multi-channel network G’ where each channel of the network represents a particular relationship between the nodes in V1

之前，我们介绍了如何将HIN G转换为多通道网络G'，其中网络的每个通道代表V1中节点之间的特定关系, 注意，我们在不同的通道上使用不同的卷积滤波器，(最后concat the convolution results)最后得到卷积结果。原因是每个通道上的节点有不同的邻居节点，不适合用一个滤波器对所有通道进行卷积。