《AHNG: Representation learning on attributed heterogeneous network（2019-Elsevier）》

前言

私以为这篇论文核心的地方没写清楚，也可能是我学识浅薄。

这篇论文讲的是对图做 embedding，类似于语言模型中的word2vec。

Abstract

Network Embedding 的目的是将节点编码到一个低纬空间中，同时保留网络的 structure 和 properties，大多现有的工作都致力于homogeneous or heterogeneous plain networks。

1、Introduction

先科普一下同构网络与异构网络，如果节点的种类大于1或者边的种类大于1就是异构网络，否则是同构网络。

本文主要贡献：

• 提出了AHNG模型，将网络结构、语义信息和AHNs节点属性融合在一个统一的嵌入模型中。AHNG表现出诱导性，即，它可以推广到以前不可见的节点或孤立的节点，而不需要额外的训练。
• 我们用一个多维高斯分布来表示每个节点来捕获节点表示的不确定性，并通过实验证明了AHNG利用KL-divergence算法来度量节点之间的不相似性，可以获得更好的性能。
• 在真实数据上评估该模型的有效性和效率。

2、Related work

过。

3、The proposed AHNG

3.1、Problem formulation and framework

Definition 1：这部分先描述一下定义，它与普通的网络不同的是每个节点包含一些特征。

Definition 2： 这里描述了一下什么是 meta-path，就是说节点的种类很多，然后可以定义某种类型的节点到另一种类型的节点，然后根据这个meta-path，产生相应的路径。例如：mate-path为：[作者名->论文名]，这样就可以在图中找到 [小王->论文1]，mata-path可以发现节点的潜在关系。

另外，说是将网络投影到低纬空间，更重要的意义是投影到连续空间，便于后面的工作。

3.2、Attribute encoder

就是两层的网络，这是它这篇论文核心的地方，但是作者没有写清楚。我个人理解它这里假设 $u_i$ 是均值，然后 ${\sum }_i$ 是方差，然后用KL散度来计算损失。

3.3、Mate-path based random walker

这里是用《metapath2vec: Scalable Representation Learning for Heterogeneous Networks》论文中的方法，它的做法是基于元路径的随机游走来制定一个节点的邻居，之后利用 skip-gram 模型来实现 embedding。

3.4、Learner

计算损失象 skip-gram 那样，然后利用前面的两层网络输出的均值和方差来算KL散度，然后用了一下正采样与负采样。

4、实验等

过。