DisenHAN: 面向推荐的解耦异质图注意力网络
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
本文介绍了一种名为 DisenHCN 的超图神经网络模型,用于预测用户在特定位置和时间的活动,该模型通过聚合不同方面的特征,捕获了不同方面的高阶关系并解开了每个方面对最终预测的影响,从而弥补了现有解决方案的不足,并在四个真实数据集上优于最先进方法 14.23%到 18.10%。
Aug, 2022
该论文提出了一种基于分层注意力机制的异构图神经网络,包括节点层次和语义层次的注意力机制,通过从元路径邻居中汇总特征来生成节点嵌入,其在三个真实的异构图上表现出优越性能且有助于图分析。
Mar, 2019
该论文提出了一种基于异构图神经网络的联邦框架,用于在分布式的异构信息网络中协同训练推荐模型,保护用户隐私并恢复由于数据分布存储产生的破坏的元路径语义。
Oct, 2023
本研究提出了一种新颖动态异构网络嵌入方法,称为 DyHATR,在使用分层注意机制来学习异构信息的基础上,结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势,并在实际应用中得到了较好的表现。
Apr, 2020
本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络,旨在通过独立的信息传播来解缰语义特征和结构特征,以及通过超几何结构拉近数据分布和表示空间的差距,并在诸多真实世界异构图数据集上进行验证,结果证明其在超几何空间中解缰和表示异构图数据的有效性。
Jun, 2024
利用异构图神经网络建模了类型多样性节点,并通过两个关键组件,即类型感知编码器和维度感知编码器,解决了节点类型信息丢失和高阶信息损失问题,在编码节点表征时充分利用了图的异构性。实验证明了 MULAN 在六个异构数据集上的优越性和高效性。
Nov, 2023
提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络(HHGAT),在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。
Apr, 2024
该研究旨在通过设计一个基于学术社交网络的深度学习模型,以理解学者职业生涯转变的行为并建议适当的工作机构,该模型使用异构学术网络来实现机构推荐,并通过 HAI 算法集成了机构、学者和元路径等一系列因素来提供有序的、可解释的推荐结果。
Feb, 2022
本研究提出了一种新的分离知识图谱注意力网络 (DisenKGAT),该网络采用微观分离和宏观分离来利用知识图谱背后的表示,并针对给定场景生成自适应表示。通过在公共基准数据集上进行广泛实验,验证了 DisenKGAT 在准确性和可解释性方面优于现有方法。
Aug, 2021