【图基础】异质图中的「元路径」和「网络模式」

已于 2022-04-13 15:42:33 修改
阅读量2.1k 收藏 2
点赞数 2
分类专栏： GNN 文章标签： 异质图 元路径
于 2022-04-12 18:39:19 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39328436/article/details/124102390
版权
本文介绍了异质图的概念，包括其结点集合、边集合、特征集合和类型集合。接着阐述了网络模式，它是信息网络的元模式，定义在对象类型集合上。重点讲解了元路径，如在DBLP数据集中，元路径APA表示共同作者关系，APCPA描述了在同一会议上发表论文的作者关系。此外，还通过UMU和UMDMU元路径举例说明在用户-电影-评分场景中的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. 异质图

给定一个异质图HIN： G = ⟨ V , E , T , X ⟩ G=\langle V, E, T, X\rangle G

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【基础知识】图神经网络 | 异构图神经网络建模方法(模型) | 元路径，静态元路径，动态元路径(方法) | 主流异构图模型有哪些？
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
01-22 172
图神经网络（Graph Neural Network，GNN）是一种用于处理图数据的机器学习模型。与传统的神经网络模型不同，GNN能够有效地对图结构数据进行建模和学习。在图神经网络中，每个节点被赋予一个特征向量，表示该节点的属性。模型通过学习节点之间的关系和连接来进行信息传播和特征更新。这种信息传播过程通常通过迭代的方式进行，每个节点会根据其周围节点的特征进行更新，从而逐步融合更广泛的上下文信息。图神经网络在社交网络分析、推荐系统、分子结构分析等领域具有广泛的应用。
基于元图卷积的异质网络嵌入学习算法
weixin_70923796的博客
07-21 90
本节介绍相关概念及定义，本文使用的符号如表1所示：表1 符号对照表定义1. 异质网络[20].异质网络被定义为有向图G=(V,E,φ,φ,A,R)，其中V代表节点集，E代表边集.对于每个节点v∈V和边e∈E，都有其到各自对象类型的映射函数φ(v)：V→A和φ(e)：E→R，其中A和R分别表示节点类型和关系类型，且|A|+|R|>2.
MetaPath2vec：异质图Graph Embedding
qq_44919414的博客
05-31 594
论文：metapath2vec: Scalable Representation Learning for Heterogeneous Networks 期刊：KDD 2017 1.Introduction 传统方法中，一般将网络转化成邻接矩阵，然后使用机器学习来挖掘网络中的信息，学习嵌入，但是邻接矩阵通常很稀疏。对于复杂网络的表示学习，一些基于神经网络的模型也有非常好的效果，例如（DeepWalk，node2vec，以及LINE）但上述算法仅适合包含一类节点和边的同构网络，不能很好的用于包含多种顶点类型
异构图的图嵌入（元路径）
TUtou_XiaoGe的博客
01-05 4137
目录 MetaPath2vec 1.基于元路径的信息提取器 2.重构器 3.构造目标 MetaPath2vec 在异构图中，不同类型的节点和边具有不同的语义含义。因此，对于异构网络嵌入，不仅要关注节点之间的结构相关性，还要关注节点之间的语义相关性。metapath2vec (Dong et al.， 2017)被提出来捕捉节点之间的这两种相关性。接下来，我们详细介绍metapath2vec (Dong et al.， 2017)算法，包括其提取器、重构器和目标。注意，metapath2vec中的
论文导读 | 异构图神经网络
最新发布
weixin_48167662的博客
04-14 920
近年来，图神经网络（Graph Neural Networks, GNNs）已成为图挖掘研究的核心，研究人员开始关注其在异构图方面的潜力。异构图由多种类型的节点和边构成，且带有不同的辅助信息，这将新颖有效的图学习算法与嘈杂复杂的工业场景（如推荐系统）联系起来。在异构信息网络中，各类节点的嵌入空间通常不同。不同节点对之间以及相同节点对之间，都存在着各种各样的关系。
什么是元路径
01-20
可解释性推荐，就是不仅要预测推荐的商品，还要给出推荐的理由。 推荐中有一个概念叫元路径。在电影推荐的场景里，如下图所示。我们用 U 表示用户，用 M 表示电影，那么 UUM 是一条元路径。它表示一位用户关注了另一位用户，那么我们可以将用户看过的电影，推荐给关注他的人。 当然，还有比如 UMUM 表示与你看过相同电影的人还在看什么电影这条路径；UMTM 表示与你看过同一类型电影的路径…元路径有很多，不同元路径对于不同的业务语义。在这个场景中，图神经网络模型有两个任务，一个是推荐影片给用户，二是给出哪条元路径的权重更高。而这正式 GNN 可解释性的体现。 https://mp.weixin.q
PathSim：异质信息图中基于元路径的top-k相似搜索
weixin_40675092的博客
12-17 9287
PathSim：异质信息图中基于元路径的top-k相似搜索 标签（空格分隔）： 图模型 PathSim 本文研究异质信息网络同一类型的顶点上的相似搜索。此外，考虑网络中不同链接路径，可以推导出不同的语义相似度。这里介绍一种基于元路径的相似度。元路径是定义在不同类型顶点之间的一系列关系序列组成的一条路径。 PathSim： PathSim：在元路径形式下，定义了一个新颖的相似搜索方法，它能
KDD19|基于元路径引导的异质图神经网络意图推荐 论文浅尝
qq_34739497的博客
12-28 1291
KDD19|基于元路径引导的异质图神经网络意图推荐 论文浅尝 论文链接：https://dl.acm.org/doi/10.1145/3292500.3330673 代码链接：https://github.com/googlebaba/KDD2019-MEIRec 前言 这篇论文是北邮联合阿里的淘宝一起在淘宝平台研究的有关用户意图推荐，很好地利用了淘宝平台的数据优势，结合异质信息网络的元路径方法并融合一些静态的特征信息，最后经过MLP层（神经网络全连接层），预测意图得分。可以说这篇很好地将图神经网络有关推
异质图神经网络及其在电商领域中的应用
u013602059的专栏
04-15 3164
今天，我们首先将介绍北邮计算机学院教授石川的《异质图神经网络及其在电商中的应用》。 本次讲座中，石川针对图神经网络研究的重要挑战——传统采用的是同质图数据，无法满足业界交互系统对异质图的实际需求，介绍了自己对于解决方案的一系列相关研究工作，包括：异质信息网络的表示学习、浅层模型、深层模型、元路径的选择等关键技术以及它们在电子商务问题中的应用等。 1、异质信息网络的表示学习 作为机器学习和数据挖掘的...
一种基于图注意力网络的异质信息网络表示学习框架.docx
02-23
而简单模式层的异质信息网络则多依赖于元路径来捕获结构信息进行表示学习。 本文提出了一种基于图注意力网络的异质信息网络表示学习框架，旨在统一处理知识图谱和简单模式层的异质信息网络。框架分为三大部分：基础...
SELAR:PyTorch正式实施“具有异构图元路径的自我监督辅助学习”。 NeurIPS 2020年
05-02
异构图元路径的自我监督辅助学习 该存储库是的实现。 黄达索（Dasol Hwang） * ，金永公园（Jinyoung Park） * ，孙永权，金敬敏，河正宇，金贤宇（Jyun-woo J.Kim），具有异构图元路径的自我监督辅助学习，神经信息处理系统的高级（NeurIPS 2020） 。 数据预处理 我们使用和数据集进行链接预测。 从此下载meta-paths标签（ meta_labels/ ）。 data/music/ ratings_final.npy ：由KGNN-LS发布预处理评价文件; kg_final.npy ：知识图文件； meta_labels/ pos_meta{}_{}.pickle ：辅助任务的元路径肯定标签 neg_meta{}_{}.pickle ：辅助任务的元路径否定标签 data/book/ ratings_final.npy ：由Ripple
【论文翻译】MAGNN:用于异构图嵌入的元路径聚合图神经网络
Mrong1013967的博客
04-08 9428
摘要大量真实世界的图形或网络本质上是异构的，涉及到多种多样的节点类型和关系类型。异构图嵌入是将异构图丰富的结构和语义信息嵌入到低维节点表示中。现有模型通常在异构图中定义多个元路径，以捕获复合关系并指导邻居选择。然而，这些模型要么忽略节点内容特征，沿着元路径丢弃中间节点，要么只考虑一个元路径。为了解决这三个限制，我们提出了一个新的模型，称为元路径聚合图神经网络(MAGNN)，以提高最终的性能。具体来说，MAGNN使用三个主要组件，即封装输入节点属性的节点内容转换、包含中间语义节点的元路径内聚合以及组合来自多个
元路径解析
luoxuexiong的博客
05-10 8199
本文转载于以下博客地址：https://blog.csdn.net/hy_jz/article/details/78862226 如有冒犯，还望谅解！ Meta Path 是2011年 Yizhou Sun etc. 提出的 http://www.morganclaypool.com/doi/abs/10.220/S00433ED1V01Y201207DMK005, 针对异质网络中的相似性搜索...
推荐系统中的元路径（meta-path）
CSDN 精品推荐
04-12 2084
推荐系统中的元路径（meta-path）是指用于描述不同类型节点之间关系的路径。在推荐系统中，元路径可以用来挖掘节点之间的相似性和影响力，从而提高推荐的准确性和多样性。
元路径在推荐系统中的应用
QromMatlab的博客
09-23 373
例如，在一个电影推荐系统中，我们可以定义三种节点类型：用户、电影和演员，以及三种关系类型：用户对电影的评分、电影与演员的合作关系、以及演员与演员的社交关系。通过分析这样的元路径，我们可以发现用户与用户之间的共同兴趣、用户偏好的演员类型等信息，从而提高推荐的准确性和个性化程度。通过构建元路径并分析其中的关系，我们可以发现用户之间的相似性和差异性，提高推荐系统的效果和个性化程度。在推荐系统中，节点可以表示用户、物品或标签等，而关系则表示节点之间的交互或联系，如用户对物品的评分、用户与用户之间的社交关系等。
异构图非基于元路径论文
qq_40867596的博客
07-14 676
异构图和元路径 我们常见的GCN是运用在同构图上，而且近些年出的相关的论文也非常多。 在现实世界中很多的图实际上是异构图，而把针对同构图的GCN用在异构图上，会损失其中的很多信息，包括一些语义信息（元路径）、更多的结构信息等。 元路径能够体现异构图中隐藏的语义信息。但是一些异构图中的语义需要相关领域的知识或者人类还不知道。所以也有很多论文提出不需要元路径的方法。 异构图非基于元路径的论文 Heterogeneous Graph Transformer, WWW 2020 Heterogeneous Gra
【论文解读】HIN2Vec: Explore Meta-paths in Heterogeneous Information Networks for Representation Learning
qq_36291847的博客
03-05 1603
文章目录摘要1 引言 摘要 本文提出了一种新的异构信息网络表示学习框架，即HIN2Vec。该框架的核心是一个神经网络模型，也被称为HIN2Vec，旨在通过利用节点之间不同类型的关系捕获HINs中嵌入的丰富语义。给定HIN中以元路径形式指定的一组关系，HIN2Vec基于目标关系集联合进行多个预测训练任务，学习HIN中节点和元路径的潜在向量。除了模型设计之外，本文还讨论了HIN2Vec特有的几个问题，包括元路径向量的正则化、负抽样中的节点类型选择和随机游动中的循环。为了验证我们的想法，我们使用了4个大规模的真实
异构网络中基于元图的推荐——FMG
beilizhang的博客
10-23 2678
主要参考论文：《Meta-Graph Based Recommendation Fusion over Heterogeneous Information Networks》 概述 基于异构信息网络的推荐系统面临两个问题：1.如何表示高阶推荐语义；2.如何融合异构信息用于推荐。 针对第一个问题，本文采用了元图（和元路径）来表示高阶推荐语义；对于第二个问题，本文先用标准矩阵分解技术（MF）分解每个元图（元路径）得到的相似度矩阵，生成用户和物品的隐式表征，对不同元图（元路径）得到的表征使用带有group las
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

vector<>

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值