2021,WSDM
《Bipartite Graph Embedding via Mutual Information Maximization》论文阅读笔记
- 背景:
二分图:建模两种类型节点的关系,边表示它们之间是否有交互。 - 已有方法:
图嵌入的方法从图中学习节点特征,但并不是为二分图设计的,可能会陷入局部最优。其他研究主要分为:
(1)基于随机漫步:生成不同的节点序列,通过预测滑动窗口中的上下文节点来学习节点特征。
(2)基于重构:通过学习不同的编码器重构邻接矩阵。 - 存在问题:
假设节点都与其邻居节点相关,不能建模二分图的全局特征,如同质节点的社区结构与异构节点的长期依赖关系。
如图中,Lion, Ice, Toy同风格,应该属于同一社区,但是实际中它们并没有划分到同一社区,因为Lion无法到达Ice和Toy。此外,Lily和Ice离得远,很难从局部图结构中揭示出异构节点之间的依赖关系。 - 本文:
引入一个新的局部全局infomax目标获得全局属性。首先生成一个由两个原型特征组成的全局特征,然后使用注意机制将边编码为局部表示,通过最大化局部和全局特征之间的信息,使二分图中的节点具有全局相关性。 - 具体: