【论文笔记】Tensorial graph learning for link prediction in generalized heterogeneous networks
论文地址:paper
重点
本文是在广义的异构网络上的一个张量图学习,用于链路预测。在具体操作中知识图谱的补全常常成为链路预测任务,本文的重点在于通过引入节点和边张量来构造张量图。
主要贡献点
- 提出一种新型图,张量图
- 与异构网络的多图、超图和其他表示相比,新引入的张量图在扩展到张量n-部图以表示节点异质性和将异构网络中的复杂路径合并到边张量以促进链路预测方面更灵活
- 广义异构网络可以同时表示,建模和分析异构网络中的数据
- 利用异构网络的邻接矩阵/张量和均匀网络的多个邻接矩阵与边张量相结合来表示广义异构网络
模型
符号定义
(不知道为什么我看的论文没有看到附录,但是他说很多符号在附录里)
- 张量图定义(Tensorial graph)
描述节点和边张量的,由节点的类型集合,边的类型集合,节点和变得张量集合四个部分组成。 - Tensorial n-partite graph
就是对张量图的扩展,张量图也是这个一种。 - Tensorial hybrid (
u
u
n
i
\ _{u}^{uni}
uuni) − partite graph
一个这种图(上述名字)或简单的张量混合图,将节点分为n个子集,边分为两个子集。一个子集由异构节点之间的边组成,另一子集则有同类节点的边组成。
TGL (tesorial graph learning) 框架用于异构图的链接预测问题
U-I指的是user-item 关系
作为一个复杂的问题,将这个l链接预测问题分为三部分,构建tensorial n-partite graphs;改善相似度标准来适用于由tensorial n-partite graph表示的异构网络;利用监督学习中异构网络的相似度来预测异构节点之间的链路关系
构建tensorial n-partite graphs
具体又分成三个部分,收集异构数据;构建张量图中的邻接矩阵/张量;张量图中节点和边的描述。
TGL用于齐次网络
- 齐次网络的结构化数据替代异构网络,其余数据不变
- 多个邻接矩阵,每个邻接矩阵对应于一种类型的齐次节点。
- 对于节点相似性建模,将RWR扩展到
张量单星图(tensorial unipartite graphs ),以探讨高阶网络结构在齐次网络中的影响 - 利用扩展的RWR得到的节点相似性作为所提出的
张量单星图(tensorial unipartite graphs )核的分量。
TGL用于广义异构网络
整合了上述两个方法。
张量图核方法
方法由三部分组成,the design and computation of a tensorial n-partite graph kernel;the design and computation of tensorial unipartite graph kernels;the TGMK integrating the results of the tensorial n-partite and unipartite graph kernels。
- 第一部分算法
- 第二部分算法
在TGRW中,随机游走的路径表示为
h
u
q
h_{uq}
huq,其游走概率如下
3. 第三部分算法
集合学习,使用了多核学习的方法解决。TGMK
实验与总结
实验部分就不过多讲了,感觉这篇文章提出的三种网络和核方法都还挺难的,可能是我的数学基础不够扎实,有高人可以在评论区指导指导。
对于异构图的一个链接预测,尤其是动态图,多种类型的节点将会是之后的一个研究热点和难点。本文在构建点和边张量上都提出了建设性的意见。比起深度的方法,纯数学的方法真是令人头疼。
又看了下确实没看到附录,文中说的好像是在线附录,不知道在哪里翻阅,里面有大量的数学证明还是值得看看。