基于元图卷积的异质网络嵌入学习算法

摘 要 异质网络嵌入是将异质网络中丰富的结构和语义信息嵌入到低维的节点表示中.图卷积网络是处理网络数据的一种有效方法，当前也被用于研究异质网络的多类型节点和多维关系的表示问题，现有的图卷积网络模型主要采用元路径来表示不同类型节点间的一种语义关系.然而，孤立的单条元路径无法准确地反映节点间的复杂语义，即不能充分利用节点间存在的多种高阶间接语义关系.针对上述问题，提出了一种基于元图卷积的异质网络嵌入学习算法MGCN(meta-graph convolutional network)，包括基于元图的异构邻接矩阵计算以及学习节点的嵌入表示2个阶段，基于元图的异构邻接矩阵设计了融合多条元路径上的不同语义的计算方法，能够挖掘节点间的高阶间接关系，通过异构邻接矩阵的计算，能够聚合节点邻域特征为统一模式，此种卷积学习降低了图卷积方法的嵌入维数，从而减少了计算时间.在2个公开的异质网络数据集上进行社会计算基础研究任务的实验表明，MGCN在节点分类、聚类任务上比基线模型有更好的性能且需更少的训练时间.

关键词 异质网络嵌入；图卷积神经网络；元图；异构邻接矩阵；高阶间接关系

随着各种社交媒体的广泛流行，在虚拟社交网络上产生了大量的交互数据，虚拟社会网络是现实社会的一种映射，从而分析和研究社会网络为解决现实社会问题提供了有效的方法.社会网络呈现出图网络的结构形式，图网络中的节点通常代表现实社会的诸多实体，边代表节点之间的各种有意义的现实关系.图神经网络[1]可将图数据转换为低维向量表示的方法，在处理高维图数据方面具有优势，且由于其在各种应用领域处理图数据显示出的高效率，引起了广泛的研究兴趣，使其在推荐系统[2-3]、实体识别[4-5]、相似搜索[6-7]等领域发挥了重要作用.

已有许多的图