我们提出了 HMGE,一种基于分层聚合的高维多重图嵌入方法,通过学习图维度的分层组合和在每个层次进行嵌入的方式,揭示了多重图维度中隐藏的复杂信息和潜在结构,并通过局部补丁和全局摘要之间的互信息最大化来训练模型以捕捉图中处于不同位置但具有全局相关信息的能力。通过在合成和现实世界数据上进行的详细实验,我们证明了我们的方法在链接预测和节点分类等下游有监督任务中的适用性。
Dec, 2023
本论文提出了一种新颖的基于注意力机制的节点嵌入框架,该框架使用基于节点周围子图集合的分层核,并使用一个光滑的统计流形来比较多组集合,从而明确计算与高斯混合嵌入流形的传播注意,其应用在节点分类任务上,取得了优于现有模型的效果。
May, 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
本文提出了一种 DAEGC 算法,该算法通过引入注意力机制和自训练图聚类方法,针对特定聚类任务设计深度学习方法以生成目标图形的嵌入表征。
Jun, 2019
本文提出了一种基于超边嵌入的层次化组推荐算法 HyperGroup,在考虑群组内部成员相似性,通过利用用户间的交互信息来解决用户关系稀疏性问题,同时结合 GNN 实现个人与群组的表示学习,通过构建超图和超边嵌入技术,增强了群组内的相似性,在两个真实数据集上的实验结果证明了该算法的优越性。
Mar, 2021
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
本文介绍了一种利用 Hopfield Networks 进行联想学习的网络嵌入方法,通过节点内容和其邻居之间的关联来构建记忆,使用神经网络的循环动力学来恢复掩盖的节点以进行节点分类和链接预测,并与传统矩阵分解和深度学习方法进行了比较。
Aug, 2022
本研究提出了一种为动态网络生成图层嵌入的新方法,包括构建多层图和使用改进的随机游走生成节点的时间上下文,再利用一个深度学习模型生成图层嵌入,并在公开数据集上进行了评估和比较。
Jun, 2023
该研究提出了一种新的知识图谱嵌入模型 ——HAKE,该模型采用极坐标系将实体映射到不同的层次,以模拟语义层次结构,从而在链接预测任务上实现了显著的性能提升。
Nov, 2019
本文提出了一种新的方法来学习基于视觉的单词含义表示,即在底层模态特定的词语表示上建立相互通信的图形,通过模拟人类相似性判断和概念分类来验证其能力,名为分层多模态相似性图嵌入(HM-SGE)。
Sep, 2021