May, 2013

异质信息网络中的基于元路径的集合分类

PDF
TL;DR本文研究异构网络中的集体分类问题，通过研究同类型物体的不同联接路径，引入基于元路径的依赖关系，提出一种新的解决方案 —— 基于元路径的异构集体分类模型（HCC），能够有效地为通过不同元路径相互联接的实例分配标签。
collective classificationheterogeneous networksmeta-pathdependenciesclassification results
发现论文，激发创造
  • 利用元路径上下文进行异质信息网络分类

    该论文提出了一种名为 ConCH 的图神经网络模型，通过组合半监督学习和自监督学习从标记和未标记数据中学习，并使用元路径来捕获对象之间的语义关系，在 HIN 分类任务中取得了显著的性能优势。

    Dec, 2020

  • 元元多图搜索：重新思考异构信息网络上的元结构

    该论文提出了一种新的元结构 meta-multigraph，通过可微分的搜索方法自动优化特定 HINs 和任务的 meta-multigraph，并引入了一个从详细到简洁的 C2C meta-multigraph，用于从各种 HINs 中传播信息，以实现节点分类和推荐等任务。

    Apr, 2023

  • 异构网络上基于自动路径发现的相似度建模

    这篇论文介绍了使用连续强化学习和深度内容嵌入相结合的半监督联合学习框架以自动发现对于两个节点组对的有用路径来解决异构网络中复杂节点相似性建模的挑战，并且通过实验表明了该算法的出色性能。

    Sep, 2019

  • 基于归纳元路径学习的模式复杂异构信息网络

    SchemaText proposes a method to address the computational complexity associated with meta-path enumeration in schema-complex HINs, using a reinforcement-learning based path-finding agent.

    Jul, 2023

  • 利用元路径进行异构图自监督辅助学习

    本文提出了一种基于元路径的自监督辅助学习方法来学习异构图上的图神经网络，通过预测元路径作为辅助任务来进行主任务的学习，可以自动平衡辅助任务的有效组合以提高主任务性能，实验证明该方法可以在异构图上改进链接预测和节点分类的性能。

    Jul, 2020

  • M2HGCL: 多尺度元路径融合异构图对比学习

    提出了一种新的多尺度元路径集成的异构图对比学习模型（M2HGCL），该模型通过扩展元路径并联合聚合直接邻居信息、初始元路径邻居信息和扩展元路径邻居信息，以充分捕捉判别信息，并进一步采用特定的正采样策略来纠正对比学习的内在缺陷，即困难负样本采样问题。通过在三个真实数据集上进行广泛实验，证明了 M2HGCL 模型优于目前最先进的基准模型。

    Sep, 2023

  • 基于上下文路径的异构图社区检测：图神经网络模型

    在本文中，我们提出了一种基于上下文路径的图神经网络（CP-GNN）模型，通过递归地嵌入节点之间的高阶关系来区分不同关系的重要性，学习既能保留节点之间高阶关系又有助于社区检测的节点嵌入，从而优于现有社区检测方法。

    Sep, 2021

  • 异质信息网络上的无监督元路径约简

    该论文提出了一种名为 SPMR 的新算法，用于在无人监督的情况下减少预定义元路径的数量，从而实现最大程度地保留原始元路径的语义。实验结果表明，SPMR 选择的子集可以使用更少的元路径实现可比甚至更好的性能。

    Oct, 2018

  • 多关系图神经网络的元路径学习

    在这项工作中，我们提出了一种新的方法来学习元路径和元路径图神经网络，通过少量信息丰富的元路径来提高准确性，在增量构建元路径的过程中使用评分函数来衡量关系的潜在信息量。实验评估表明，该方法即使在存在大量关系的情况下，也能正确识别相关的元路径，并在综合和真实世界实验中显著优于现有的多关系图神经网络。

    Sep, 2023

  • HAGNN：异构图神经网络的混合聚合算法

    本文提出了一种新的框架，名为 HAGNN（Hybrid Aggregation for Heterogeneous GNNs），可以同时利用元路径邻居和直接相连邻居进行节点聚合来充分利用异构图中的异质性，通过在自身内部对齐和外部对齐两个阶段分别聚合结构语义信息和类型语义信息，获得了优于现有异构 GNN 模型的效果。

    Jul, 2023