【图结构】meta-graph相似度计算

最新推荐文章于 2022-11-16 19:49:28 发布

張張張張

最新推荐文章于 2022-11-16 19:49:28 发布

阅读量3.3k

点赞数 3

分类专栏：异构图网络文章标签： mata-graph 元路径图结构

本文链接：https://blog.csdn.net/qq_41995574/article/details/100006814

版权

异构图网络专栏收录该内容

2 篇文章 8 订阅

订阅专栏

作者：張張張張
github地址：https://github.com/zhanghekai
【转载请注明出处，谢谢！】

文章目录

meta-graph相似度计算

meta-graph相似度计算

1. meta-graph的定义

$\qquad$ $meta-graph\;M$ 是一个使用单个源节点 $n_s$ 和单个目标节点 $n_t$ 的有向无环图( $n_s$ 的入度为 $0$ ， $n_t$ 的出度为 $0$ )。定义一个异构信息网络 $G=(V,\Epsilon)$ ，它的网络模式为 $\Tau_G={(A,R)}$ ，其中 $V$ 是节点的集合， $\Epsilon$ 是边的集合， $A$ 是节点类型的集合， $R$ 是边类型的集合，于是我们定义一个 $m e t a - g r a p h$ 为 $M=(V_M,\Epsilon_M,A_M,R_M,n_s,n_t)$ ，其中 $V_M\subseteq V$ , $\Epsilon_M\subseteq \Epsilon$ 分别受到 $A_M\subseteq A$ , $R_M\subseteq R$ 的约束。

2. 与meta-path相比

$\qquad$ 我们使用两条 $m e t a - g r a p h / m e t a - p a t h$ 来说明计算问题。
在这里插入图片描述
$\qquad$ 在 $M_3$ 、 $M_9$ 中， $U (u s e r)$ 作为源节点 $n_s$ ， $B$ (Yelp中的业务)作为目标节点 $n_t$ 。给定上面的 $m e t a - g r a p h$ 定义，我们想要计算源节点和目标节点之间的相似性。

$\qquad$ 最初，交换矩阵 $(commuting\;matrix)$ 被用来计算元路径的基于计数的相似矩阵，假设我们有一条 $meta-path\;P=(A_1,A_2,\cdots,A_l)$ ，其中 $A_i$ 是包含在 $A$ 中的节点类型。然后我们可以定义一个矩阵 $W_{A_iA_j}$ 视为类型 $A_i$ 和类型 $A_j$ 之间的邻接矩阵( $adjacency\;matrix$ )，于是路径 $P$ 的交换矩阵为 $C_P=W_{A_1A_2}\cdot W_{A_2A_3}\cdot...\cdot W_{A_{l-1}W_l}$ 。例如，对于 $M_3$ 来说， $C_{M_3}=W_{UB}\cdot W_{UB}^T\cdot W_{UB}$ ，其中 $W_{UB}$ 是类型 $U$ 和类型 $B$ 之间的邻接矩阵。这表明 $m e t a - p a t h$ 的基于计数的相似性可以通过向上面的 $W_{UB}$ 那样的矩阵序列的乘法来计算。实际上，如果邻接矩阵 $W$ 是稀疏的，我们可以以非常有效的方式实现这一点。

3.meta-graph相似矩阵计算

$\qquad$ 对于 $m e t a - g r a p h$ 问题变得更加复杂。例如 $M_9$ 所示，这里有两种方法可以通过 $m e t a - g r a p h$ ： $(U, R, A, R, U, B)$ 和 $(U, R, B, R, U, B)$ 请注意， $R$ 表示 $H I N$ 中的实体类型“评论”（ $R e v i e w$ ）。在路径 $(U, R, A, R, U, B)$ 中的 $(R, A, R)$ 意味着如果两个评论都提到相同的 $A$ (方面， $A s p e c t$ )，那么它们有一些相似性。同样，在路径 $(U, R, B, R, U, B)$ 中的 $(R, B, R)$ 意味着如果两个评论都评价相同的 $B$ (业务， $B u s i n e s s$ )，那么它们也有一些相似性

$\qquad$ 当 $m e t a - g r a p h$ 中有从多种从源节点到目标节点方式时，我们应该定义相似逻辑。当有两条路径时：（1）我们可以允许流通过任一路径；（2）约束流通以同时满足这两条路径。通过对第（1）种策略的分析，我们发现它类似于简单地将这种 $m e t a - g r a p h$ 分割成多个元路径，然后再采用之后我们介绍的计算方法。因此，我们选择后者，后者比简单的矩阵乘法需要更多的矩阵运算（即 $H a d a m a r d$ 积或元素相关积）。

★什么是 $H a d a m a r d$ 积？

$\qquad$ 算法 $1$ 描述了用于计算 $M_9$ 的基于计数的相似性的算法。其中 $\bigodot$ 表示 $H a d a m a r d$ 积，在获得 $C_{S_r}$ 之后，通过矩阵序列的乘法更容易获得整个交换矩阵 $C_{M_9}$ 。
在这里插入图片描述

★为什么要使用 $H a d a m a r d$ 积来解决 $m e t a - g r a p h$ 中出现的分叉式转移概率计算?
$\qquad$ $C_{P_1}$ 和 $C_{P_2}$ 分别表示各自两种路径下从 $R$ 到 $R$ 的转移概率（ $R$ 为节点类型 $R e v i e w$ ）。两种转移概率进行 $H a d a m a r d$ 积，实际上就是取逻辑里的“与”关系（两条路径只要有一条路径转移概率为 $0$ ，那么综合的转移概率还是 $0$ ， $H a d a m a r d$ 积正好可以满足这一点），因为本质上 $m e t a - g r a p h$ 分叉的地方，都是需要同时满足的。

$\qquad$ 通过计算沿着 $meta-graph\;M$ 的所有 $u s e r$ 和 $i t e m$ 之间的相似性，我们可以获得 $u s e r - i t e m$ 相似性矩阵 $\hat{R}\in R^{m\times n}$ ，其中 $\hat{R}_{ij}$ 表示沿着 $meta-graph\;M$ 的 $user\;u_i$ 和 $item\;b_j$ 之间的相似性， $m$ 和 $n$ 分别是 $u s e r$ 和 $i t e m$ 的数量。然后通过设计 $L$ 个 $m e t a - g r a p h$ ，我们可以得到 $L$ 个不同的 $u s e r - i t e m$ 相似性矩阵，用 $R_1,R_2,\cdots,R_L$ 表示。

4. 拓展

$\qquad$ 如果我们的 $m e t a - g r a p h$ 矩阵是对称的，如下图所示：
在这里插入图片描述
$\qquad$ 那么我们得到交换矩阵( $\;matrix$ )后，可以使用 $P a t h S i m$ ，对其进行相似度计算(可以理解为交换矩阵的归一化)，公式如下：
$S(x_i,x_j)=\frac{2M_{ij}}{M_{ii}+M_{jj}}$
其中 $M$ 为上一小节中计算得到的 $m e t a - g r a p h$ 交换矩阵。

该相似矩阵满足以下两条性质：

对称性： $S(x_i,x_j)=S(x_j,x_i)$
自我相似性最高： $S(x_i,x_j)\in [0,1],and\;S(x_i,x_i)=1$

【参考文献】

張張張張

关注

3
点赞
踩
21

收藏

觉得还不错? 一键收藏
5
评论
【图结构】meta-graph相似度计算

作者：張張張張github地址：https://github.com/zhanghekai【转载请注明出处，谢谢！】文章目录meta-graph相似度计算1. meta-graph的定义2. 与meta-path相比3.meta-graph相似性计算meta-graph相似度计算1. meta-graph的定义\qquadmeta−graph&ThickSpace;Mmeta...
复制链接

扫一扫