Mar, 2018

MetaGraph2Vec： 复杂语义路径增强异构网络嵌入

PDF
TL;DR本文提出一种新的多元化方法 ——Metagraph，用于网络嵌入学习中捕捉不同节点之间更丰富的结构和语义上下文信息，从而在处理非常稀疏的异构信息网络时提高了 MetaPath 嵌入技术的能力，并实验证明 MetaGraph2Vec 算法能够优于各项异质网络挖掘任务中的现有技术。
network embeddingheterogeneous information networksmetagraphrelationshipsembedding learning
发现论文，激发创造
  • 大规模异构信息网络中基于元路径导向嵌入的相似度搜索

    本文提出了一个基于嵌入的框架 (ESim)，以探索嵌入在网络结构中的相似度，并接受用户定义的元路径作为指导来学习嵌入向量。在大规模异构信息网络上进行的实验证明了 ESim 的有效性和可扩展性。

    Oct, 2016

  • 原型增强的超图学习用于异构信息网络

    本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

    Sep, 2023

  • 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

  • MAGNN: 面向异质图嵌入的元路径聚合图神经网络

    提出了一种新的叫做元路径聚合图神经网络（MAGNN）的模型来解决异构图嵌入中节点内容特征、中间节点和元路径的问题，并在三个真实异构图数据集上进行了实验，证明了 MAGNN 比现有基线模型具有更准确的预测结果。

    Feb, 2020

  • 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

  • 基于随机游走的知识图谱嵌入算法：Subgraph2vec

    在本研究中，我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法，通过在用户定义的子图内运行 walks，用于链接预测，并证明我们的方法在大多数情况下具有更好的性能。

    May, 2024

  • 多路异构图卷积网络

    本研究提出了一种多重异构图卷积网络（Multiplex Heterogeneous Graph Convolutional Network，MHGCN），可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互，并有效地将多关系结构信号和属性语义集成到有监督和半监督学习范式中的学习节点嵌入中，实验证明其在各种网络分析任务中显著优于现有的嵌入基线。

    Aug, 2022

  • 将异构网络嵌入双曲空间中，无需元路径

    该论文提出了一种新颖的自我引导随机游走方法，将异构网络嵌入到双曲空间中进行嵌入，无需使用领域特定的先验知识进行元路径选择，实验证明该方法在网络重建和连接预测方面表现优异。

    Jun, 2021

  • 基于注意力机制的异构结构学习图神经网络

    本文针对异构信息网络（HIN）的图表示学习进行了研究，并提出了一种新颖的基于异构图结构注意力神经网络（HetSANN）的方法，该方法在不需要领域专家设计元路径方案的情况下能够自动处理异构信息。实验证明，该方法相较于现有的 HIN 嵌入模型有显著和一致的提升。

    Dec, 2019

  • 面向推荐的异构信息网络嵌入

    本文提出一种基于异构网络嵌入的方法 HERec 来解决 HIN-based 推荐系统中的冷启动问题，该方法通过设计基于元路径的随机游走策略来嵌入 HINs，并通过一组融合函数将学习到的节点嵌入首先转换为扩展矩阵分解模型。HERec 模型通过实验表明其有效性，并表明从 HINs 转换的嵌入信息可以改善推荐性能。

    Nov, 2017