Apr, 2023

元元多图搜索：重新思考异构信息网络上的元结构

PDF
TL;DR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。
meta-multigraphhinsdifferentiable searchnode classificationrecommendation
发现论文，激发创造
  • 异质信息网络上的可微元多重图搜索与部分消息传递

    本文提出了一种名为部分信息元多图搜索（PMMM）的新方法，用于自动优化 HIN 上的神经结构设计，其采用可微分方法搜索有意义的元多图，以捕获比元图更灵活和复杂的语义关系，并证明其优于现有作品和是稳定的算法。

    Nov, 2022

  • DiffMG: 面向异构图神经网络的可微元图搜索

    本文提出了一种利用异构信息网络中编码的任务相关语义信息的新框架，该框架利用元图搜索可以捕获比元路径更复杂的语义关系，以确定如何沿不同类型的边传播消息。我们在神经结构搜索（NAS）的框架中形式化这一问题并进行可分解搜索，以生成可用于异构信息网络的候选元图并提出任务相关类型约束来过滤不会对与下游任务相关的节点表示产生影响的边类型。我们通过大量实验表明，该方法胜过最先进的异构 GNN，并且比那些可以隐式学习元路径的方法提高了效率。

    Oct, 2020

  • 异构信息网络中基于大型语言模型的元结构发现

    利用大规模语言模型的推理能力，提出了一种新颖的 REasoning meta-STRUCTure 搜索框架（ReStruct），该框架在进化过程中整合了 LLM 推理，通过将元结构编码为自然语言句子，并利用 LLM 的推理能力评估语义上可行的元结构。ReStruct 还使用面向性能的进化操作，综合优化元结构的语义可解释性和实证性能。通过对五个数据集的实验，证明了 ReStruct 在节点分类和链接推荐任务中取得了 SOTA 的性能，另外一项调查研究表明，ReStruct 产生的元结构和自然语言解释更易理解。

    Feb, 2024

  • 基于遗传元结构的异质信息网络推荐搜索

    通过遗传元结构搜索以及注意力机制多视角图卷积网络模块，本文实现了在异质信息网络中元结构的自动优化以提高推荐效果，相较于手动设计的简化版，GEMS 在评估指标上表现出超过 6% 的优势。

    Feb, 2021

  • MetaGraph2Vec： 复杂语义路径增强异构网络嵌入

    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。

    Mar, 2018

  • 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

  • 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

  • 元节点：有效学习异构图中复杂关系的简明方法

    本文介绍一种新型概念 ——meta-node，在异构图的消息传递中用于学习富关系型知识，避免了提前配置 meta-paths 和 meta-graphs，并将该方法应用于对比学习模型中，实验表明 meta-node 方法在节点聚类和分类任务中，优于依赖于 meta-paths 的现有技术。

    Oct, 2022

  • 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

  • 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