qq_44919414的博客

1.异构图如何学习节点的嵌入传统方法基于meta-path学习节点的嵌入，捕获高阶关系缺点：定义有意义的meta-path需要专业知识本文方法基于context path捕获节点之间的高阶关系，构造基于context path的图神经网络（CP-GNN）2.预备知识异构图进行社区检测的两个主要方法1）一个社区内只包括一种类型的节点 （本文的方法）2）一个社区内包含多种类型的节点List item...............

论文：metapath2vec: Scalable Representation Learning for Heterogeneous Networks期刊：KDD 20171.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

1.基本概念self-supervised数据不用打标签，从数据本身寻找监督信号，原先损失函数定义为预测值和标签的交叉熵（学习的目标是使预测值和真实值尽可能接近），现在定义损失不用数据标签，而是从数据本身的监督信息出发（学习的目标是）contrastive learning一种典型的自监督学习方法，从数据中提取正样本和负样本，学习的目标是最大化与正样本的相似性，最小化与负样本的相似性self-supervised 和 supervised的区别监督式的训练数据需要有lable，学习的目标是使模