Nov, 2023

BHGNN-RT：用于有向异构图的网络嵌入

PDF
TL;DR基于网络分析，我们提出了一种面向有向异构图的双向异构图神经网络与随机传送（BHGNN-RT）的嵌入方法，利用了双向的消息传递过程和网络异质性来解决过度平滑问题。通过在各种数据集上进行广泛实验，我们验证了 BHGNN-RT 的有效性和效率，并研究了消息组件、模型层和传送比例对模型性能的影响。与其他基准方法的性能比较表明，BHGNN-RT 在节点分类和无监督聚类任务中实现了最先进的性能，优于其他基准方法。
发现论文，激发创造
  • 采用时间 RNN 和分层注意力建模动态异构网络进行链接预测

    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

  • 异质图变换器

    本文介绍了一种用于建模 Web 规模异构图的异构图转换器架构（HGT），通过设计基于节点类型和边类型的参数来实现异构性，并引入相对时间编码技术和异构迷你批图采样算法来处理动态异构图数据，实验表明，所提出的 HGT 模型在各种下游任务中始终优于所有最先进的 HNN 基线 9％至 21％。

    Mar, 2020

  • 高效异构图学习通过随机投影

    我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络，它将一种风格的效率与另一种风格的低信息损失相结合，通过引入随机投影压缩步骤和关系化邻居收集组件，在七个小型和大型基准数据集上获得了最先进的结果，并比大多数有效的基准方法快 230％。

    Oct, 2023

  • 简单高效的异构图神经网络

    本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。

    Jul, 2022

  • 双曲异质图注意力网络

    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

  • BG-HGNN: 面向可扩展和高效的异构图神经网络

    本文介绍了一种新的框架，Blend&Grind-HGNN（BG-HGNN），该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题，其通过将不同关系融合到一个统一的特征空间中，在参数可管理的单一参数集的帮助下，得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明，BG-HGNN 在参数效率（高达 28.96 倍）、训练吞吐量（高达 8.12 倍）和准确性（高达 1.07 倍）方面显著超过了现有的 HGNN。

    Mar, 2024

  • 同构偏好导向的异质图重连

    本研究旨在提高异质图神经网络（HGNN）在非同质化环境下的泛化能力，通过提出一种基于元路径的刻画异质图同质性度量方法，并设计了基于同质性的异质图重连方法 HDHGR 来提高 HGNN 的性能。实验证明 HDHGR 的有效性，可以获得 10％以上的相对增益。

    Feb, 2023

  • 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

  • 超网络的结构深度嵌入

    本文提出了一种新的深度超网络嵌入模型，采用非线性元组相似函数保持超网络中的本地和全局相似性，并且在 GPS 网络、在线社交网络、药物网络和语义网络上的实验结果表明，该方法能够显著且持续地优于现有算法。

    Nov, 2017

  • SDGNN：学习有向带符号网络节点表示

    本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。

    Jan, 2021