精华内容
下载资源
问答
  • 异质信息网络表示
    更多相关内容
  • 基于异质信息网络表示学习与注意力神经网络的推荐算法.pdf
  • 人工智能AI源代码解析-保持网络模式的异质信息网络表示学习
  • 为了有效地挖掘异质信息网络中的语义信息和高度非线性的网络结构信息,进而提高网络表示的效果,文中提出了一种基于融合元路径的图卷积异质网络表示学习算法(MG2vec)。该算法首先通过基于元路径的关联度量方法来...
  • hin2vec想法其实挺巧妙的 它学习两种embedding,一种是对于节点的嵌入,一种是对于元路径(meta path)的嵌入 (ps 作者在文中说如果要强调路径的有向性...这是一个二分类网络,输出对于一定的x,y存在关系r的概率...

    hin2vec想法其实挺巧妙的

    它学习两种embedding,一种是对于节点的嵌入,一种是对于元路径(meta path)的嵌入

    (ps 作者在文中说如果要强调路径的有向性,强调路径开始节点和终止节点的不同,那么可以扩展到三种embedding,对于路径起始节点的嵌入,对于路径终止节点的嵌入,对于元路径的嵌入)

     

    训练流程如上。这是一个二分类网络,输出对于一定的x,y存在关系r的概率

     

    x,y,r 分别代表路径起始节点、路径终止节点、元路径的one-hot向量,?_x′x 就是x对应节点的嵌入向量

     

    这个模型的输出是 o= ???????( ∑ ?_?′?⊙?_?′?⊙?01(?_?′?)  )

     

    从外到内

    sigmoid是sigmoid函数

    ∑是求和

    ⊙是hadmard函数,也就是对向量的逐项相乘

    f01是01标准化函数

     

    损失函数就是一般的交叉熵损失

    ——————

    在实现的时候:

    原作者使用的采样方式是将网络中的每个节点都作为随机游走的起始点进行n次长度为length的游走,同时对每条游走记录,用长度为1到w的窗口滑动采样。

    原作者使用一个衰减的学习率,lr = max( trained/(total+1)*lr_{init} , lr_{min}),就是已训练的数据占总数的比例乘以初始设定学习率,并设置了一个下限防止变为0。初始学习率lr_{init}默认0.025,下限学习率lr_{min} = 0.0001 * lr_{init}.

    元路径嵌入归一化函数有两种,一种是sigmoid,另外一种也是默认的一种,是f(x) =\left\{\begin{matrix} 1 & x>=0 \\ 0 & x<0 \end{matrix}\right.。归一化以后的梯度仍然是使用sigmoid的梯度计算方式。

    负采样的具体方式为给定target(目标节点),meta-path(元路径),随机均匀采样context(起始节点) neg个(neg默认5)。(ps:负采样在实现的时候写错了,写成了采样metapath,结果就掉了9%的预测准确率)

    笔者认为学习率衰减方式和采样方式对于较为孤立的点可能不够公平。

    ——————

    胡思乱想:

    其实会让人联想到注意力机制,训练过程中的r相当于一个query

    另外用起来的话觉得比较不顺手的一点就是对于不同的metapath在训练时没有权重分配。也就是说对于不同的特定任务hin2vec训练得到的嵌入其实是有提升空间的

    展开全文
  • 异质信息网络和知识图谱

    千次阅读 多人点赞 2020-10-31 11:36:00
    比较分析一下异质信息网络表示和知识图谱嵌入之间的异同 文中截图来源于自己做的组会分享ppt,非常简陋… 部分比较精美的图片来源于知乎文章的插图和 https://www.zhihu.com/people/Jhy1993 一片分享ppt 2. 异质...

    1. 前言

    最近在研究异质信息网络,发现知识图谱无论是在建模方式还是下游任务都与异质信息网络有很大的相似性。

    • 在这里简单介绍一下知识图谱的相关概念和从网上找来的知识图谱嵌入综述类的文章或者博客进行总结。
    • 比较分析一下异质信息网络表示和知识图谱嵌入之间的异同

    文中截图来源于自己做的组会分享ppt,非常简陋…

    部分比较精美的图片来源于知乎文章的插图和 https://www.zhihu.com/people/Jhy1993 一片分享ppt

    2. 异质信息网络和知识图谱

    2.1 异质信息网络

    在这里插入图片描述
    现实生活中形形色色的系统,通常由大量类型各异、彼此交互的组件构成,例如生物、社交和计算机系统等。利用异质网络建模这种类型丰富且交互复杂的数据,可以保留更全面的语义及结构信息。

    相较于同质网络,异质网络建模带来了两方面的好处:

    • (1)异质网络不仅可以自然融合不同类型对象及其交互,而且可以融合异构数据源的信息。在大数据时代来源不同的数据仅捕获了部分甚至是有偏差的特征,异质图网络可以对这些数据进行综合处理。因此异质网络建模不仅成为解决大数据多样性的有力工具,而且成为宽度学习的主要方法。
    • (2)异质网络包含丰富的结构和语义信息,为发现隐含模式提供了精准可解释的新途径。例如,推荐系统的异质网络中不再只有用户和商品这两种对象,而是包含店铺、品牌等更全面的内容,关系也不再只有购买,而是含有收藏、喜爱等更精细的交互。基于这些信息,利用元路径和元图等语义挖掘方法,可以产生更精细的知识发现。

    在这里插入图片描述
    在这里插入图片描述
    基于以上分析,在设计具有异质图注意机制的图神经网络体系结构时,需要满足以下新需求。

    • 1.Heterogeneity of graph
      异构性是异质图的内在属性,即具有各种类型的节点和边。例如,不同类型的节点具有不同的特征,其特征可能落在不同的特征空间中。仍然以IMDB为例,演员的特征可能涉及到性别、年龄和国籍。另一方面,电影的特征可能涉及到情节和演员。如何处理如此复杂的结构信息,同时保留多样的特征信息,是一个迫切需要解决的问题
    • Semantic-level attention
      异质图中涉及到不同的有意义和复杂的语义信息,这些语义信息通常通过[32]元路径反映出来。异质图中不同的元路径可以提取不同的语义信息。如何为具体任务选择最有意义的元路径并融合语义信息是一个有待解决的问题。语义级注意的目的是学习每个元词的重要性,并为它们分配适当的权重。还是以IMDB为例,《终结者》既可以通过电影-演员-电影MAM(都由施瓦辛格主演)连接到《终结者2》,也可以通过电影-电影(都拍摄于1984年)MYM连接到《鸟人》。然而,在确定电影《终结者》的类型时,MAM通常比MYM扮演更重要的角色。因此,平等对待不同的元路径是不现实的,而且会削弱一些有用的元路径所提供的语义信息
    • Node-level attention
      在异质图中,节点可以通过不同类型的关系进行连接,例如元路径。给定一个元路径,每个节点都有许多基于元路径的邻居。如何区分这些邻居之间的细微差别,选择具有信息的邻居是需要解决的问题。对于每个节点,节点级注意的目的是了解基于元路径的邻居的重要性,并为它们分配不同的注意值。还是以IMDB为例,当使用元路径电影 - 导演 - 导演 - 电影(同一位导演拍摄的电影)时,《终结者》将通过导演詹姆斯•卡梅隆连接到《泰坦尼克号》和《终结者2》。为了更好地把《终结者》定义为科幻电影,模型应该多关注《终结者2》,而不是《泰坦尼克号》。因此,如何设计一个能够发现相邻区域细微差异并正确掌握其权重的模型将是我们所需要的。

    2.2 知识图谱

    知识图谱定义
    知识图谱,本质上,是一种揭示实体之间关系的语义网络。–不同的实体可以抽象成不同类型的信息

    • 信息:是指外部的客观事实。举例:这里有一瓶水,它现在是7°。
    • 知识:是对外部客观规律的归纳和总结。举例:水在零度的时候会结冰。

    “客观规律的归纳和总结” 似乎有些难以实现。Quora 上有另一种经典的解读,区分 “信息” 和 “知识” 。
    在这里插入图片描述

    知识图谱是由一条条知识组成,每条知识表示为一个SPO三元组(Subject-Predicate-Object)。

    在知识图谱中,我们用RDF形式化地表示这种三元关系。RDF(Resource Description Framework),即资源描述框架,是W3C制定的,用于描述实体/资源的标准数据模型。RDF图中一共有三种类型,International Resource Identifiers(IRIs)blank nodesliterals。下面是SPO每个部分的类型约束:

    • Subject可以是IRI或blank node
    • Predicate是IRI
    • Object三种类型都可以。
    1. IRI:我们可以看做是URI或者URL的泛化和推广,它在整个图中唯一定义了一个实体/资源,和我们的身份证号类似。
    2. Literal:是字面量,可以把它看做是带有数据类型的纯文本。
    3. blank :node简单来说就是没有IRI和literal的资源。

    在这里插入图片描述

    我们其实可以认为知识图谱就包含两种节点类型,资源和字面量。借用数据结构中树的概念,字面量类似叶子节点,出度为0。例如“罗纳尔多·路易斯·纳萨里奥·德·利马”作为字面量,是不能有指向外部节点的边。在这里插入图片描述

    2.3 异质图与知识图谱

    异质图神经网络跟知识图谱都是以图的形式进行表示,都是为了得到节点的分布式表示。但是他们的原理方法上有点不一样:

    对于异质图神经网络而言,其节点表示学习也就是图嵌入从宏观上来讲大致分为两个步骤:

    1. 学习目标节点基于元路径的特征嵌入 (HGT:邻居节点基于边的注意力表示)
    2. 学习基于不同元路径的语义级别的嵌入。(HGT:不同邻居节点的消息传递)

    对于异质图网络而言,不同节点的连接关系更像是一种标注的邻居间信息聚合的标签,对于标签本身的含义关系没有进行深入挖掘(这里有一类研究方向是元路径的选择也就是不同类型节点的链接—随机游走获取邻居、针对于下游任务学习元路径),来声明利用神经网络进行信息聚合时的不同策略。这里的策略在异质图神经网络中可以表现为GAT注意力机制或者Transformer的注意力机制(个人认为其实从根本上看是一样的,都是为了区分不同连接类型采取不同的处理方式)。至于第二步语义级别的嵌入在我所看的论文中全部采取注意力机制,理由同上

    而知识图谱是受到word2vec能自动发现implicit relation的启发(king-man=quene-women),重点在学习图数据时强调的是节点跟关系的表示,知识图谱在应用更关注于关系建模。但是两中方法也可以互相借鉴的。 例如 WWW 2020 MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding 在基于元路径的邻居信息聚合方式上将知识图谱嵌入中的 RotatE 方法泛化到异质信息网络中,由于异质信息网络和知识图谱的相似性,两者互相借鉴的创新方法还有待进一步研究

    后续会整理一下知识图谱嵌入相关的方法

    展开全文
  • 文章目录写在前面前两章简单阅读异质网络的基本概念基于原路径的挖掘异质网络的学习表示浅层模型基于分解的方法基于元路径的随机游走的方法基于关系的方法深度模型基于自动编码器基于生成对抗网络基于强化学习基于图...

    写在前面

    该文是针对该文章的阅读,主要关注在后三章,对后三章进行理解与扩展,并读了部分后三章所引用文章,因为前两章都是简单的基本概念,所以这里不详述。(本文是将我平常的工作记录、阅读笔记直接拷贝过来)论文链接:异质信息网络分析与应用综述(石川)

    前两章简单阅读

    • 整篇文章关注于以下几点:
      • 异质信息网络的概念
      • 异质信息网络原路径的数据挖掘方法
      • 异质信息网络的表示学习技术
      • 异质信息网络的实际应用
    • 绪论介绍了异质网络为什么出现以及异质网络出现的意义

    异质网络的基本概念

    • 信息网络;balaba
    • 异质/同质网络:节点与边的类型是否多于1
    • 网络模式:就像是知识图谱的本题,是构建异质网络所遵循的一种基本概念,或是基本规则,网络模式是类,而实际异质网络算是类的一种实现方式
    • 下面是从语义上去探索
    • 元路径:从一个类型到达另一个类型,中间会经历不少的其他类型,也会经历不少的其他边,这些是一条元路径P。而从一个具体的对象到达另外一个对象,就是该元路径P的一个实例路径p。
      • 元路径本质上抽取了异质网络的子结构
      • 其体现了路径上的丰富语义信息
      • 异质网络分析的基本语义捕捉方法
      • 其缺陷也很明显,所以应运而生升级的语义捕捉方法们
    • 受限元路径:施加约束的元路径,针对特定约束的元路径,更加具体,针对
      • 可以约束类型的属性值
      • 或者说,不是约束,而是展示
    • 加权元路径:展示关系属性值的元路径,可以说是对关系的属性值进行刻画
      • 展示关系的强弱,比元路径具有更深刻的语义
    • 元结构/元图:
      • 融合了多条原路径
      • 蕴含着更多的语义信息
    • 后面的异质网络举例就没什么好说的了,不过那些数据集我倒是觉得有点意思
    • 后面还提到了知识图谱和异质网络,awsl,舒服了

    基于原路径的挖掘

    • 相似性度量
    • 推荐(大致上看了一下,是基于元路径)
    • 分类
    • 聚类及其他
    • 元路径选择:
    • 这里不细看,

    异质网络的学习表示

    浅层模型

    基于分解的方法
    • 概念为分治思想,将大型复杂的网络分解成简单的小网络(同质),分别进行表示学习,然后进行信息融合
    • HERec:论文因为是做推荐的,所以它只关注user和item,因此,在论文中只选择了那些user类型或item类型作为起点的元路径,然后进行随机游走,从而生成多个元路径所对应的节点序列,此时,其将其中非起点类型的节点全部删去,从而形成了一个同质的元路径。从而将整个异质网络分解成了多个同质网络。其中改论文获得所有节点序列的方式是随机游走,所以这是一个基于元路径的随机游走
      • 针对每个节点,便可以获得一些元路径的随机游走的表示,将这些可以融合成一个向量来表示该节点
      • 它是给定异质网络,给定元路径,然后根据随机游走生成该元路径的一些实例,之后再进行删点
      • 这里的随机游走在于,给定元路径,根据元路径的规则(类别)随机选择实例对象
      • 这里主要是从异质网络分解成同质网络
      • 在这里插入图片描述
    • 尹赢 结合不同元路径将异质信息网络转换成带权同质子图
      • 大致的流程是:利用先验知识,根据同类节点间不同元路径的语义信息对不同元路径设置不同权重,然后根据权重及路径数构建出代权重的同质子图,通过同质子图上进行带偏置的随机游走得到同类节点序列(偏置意为有方向引导)。
      • 在这里插入图片描述
      • 这个图救命了啊,懂了,根据不同元路径对应的不同权值,来将整个网络给变成不同的同质子图
    • PTE和EOE都是对异质网络进行简单的拆分
    • 上述这些分解会损失异质邻居的信息,只关注到了同质的邻居信息,这个···也是对我之前提的方法的否定,大哭
    基于元路径的随机游走的方法
    • 随机游走本身不受控制
    • 但是基于元路径的话,就相当于是在随机游走时有了约束
    • 大概理解了node2vec的作用以及机理:大概是,我对一个点,可以设定随机游走的路径个数,然后抽取这个个数的随机游走路径,这些路径都包含该节点,然后该节点就可以用这些路径来表示。所以表示该节点的向量,就包含了这个节点以及其周围的结构信息
    • 而基于元路径的随机游走也基本上是这样的,只不过是受约束的,受元路径的约束
    • 在这里插入图片描述
    • eg:OAPVPAO
    基于关系的方法
    • RHINE模型,是将关系分为两类,一类是一对多,一类是一对一,分别对两种关系类别分开建模。
    • BHIN2vec:
      • 带偏置的随机游走
      • 因为不同关系的数量不同,所以损失不一样,所以在进行随机游走的的时候加上误差,尽力使得平衡
    • 后面的不看了
    • 这里关于关系系的有点懵,不是太理解

    深度模型

    慢慢的看博客,论文翻译,要好多了,生成对抗网络理解的多的多了

    基于自动编码器
    • 利用神经网络构建编码其学习节点属性表示的同时保持网络结构特性
    • 对不同元路径的信息进行编码,之后综合信息进行联合编码
    • 关于这一块,更多的抽象理解成GAN中的生成器
    基于生成对抗网络
    • 利用生成对抗网络来进行表示
    • 生成对抗网络的强大之处在于可以自动学习原始真实样本集的数据分布
    • 则其就可以用来学习并生成逼真的样本
    • 生成器与判别器进行对抗博弈
    • 来捕获语义信息
    • 进行关系感知
    • 在HeGAN中,判别器和生成器都被设计成关系感知的,对于任何关系,判别器都可以分辨出一个节点的真假
    • 而生成器可以模仿真节点对来生成假节点对
    • 在这里插入图片描述
    基于强化学习
    • 强化深度学习是强化学习+神经网络
    • 其主要关键点在于强化学习,而不是神经网络,神经网络只是让强化学习能处理复杂的高维信息
    • 强化学习主要在于根据环境来决定如何行动
    • 边获得样例边更新模型,然后根据当前模型来进行指导下一步行动
    • 而下一步行动是考虑环境,观察环境,并考虑基于当前环境,不同行为所能够带来的reward是不一样的
    • 基于此来进行选择
    • 此处是针对元路径的选择困境,将下有任务性能作为reward
    • state是已选择的链接类型顺序
    • action来选择用于学习或终止训练的特定类型链接
    • 在异构星型网络的节点表示学习问题上,不同类型边的训练顺序会影响模型的表现效果
    • 所以在涉及到这个学习的过程中,用深度强化学习来进行确定边的训练顺序
    基于图神经网络
    • 这一块的大概意思是将邻域信息聚合做为消息传递给邻居节点(用周围信息来描述该节点)。
    • 也就是之前理解的那种进行随机游走,将节点周围的结构信息给也刻画到该节点上(只能说是有点像)
    • 进行修改,例如基于分层注意力机制学习每个节点的个性化元路径权重
    • 而对于异质网来说,如何设计合适的聚合函数来捕获领域包含的的语义是关键

    浅层模型与深层模型对比

    • 浅层模型主要关注在异质网络的结构,很少利用属性等额外信息
    • 浅层模型不易描述额外信息与结构信息的关系,同时建模两者困难
    • 深层模型的学习能力支持复杂的的建模方式,能够整合网络的结构和属性信息
    • 浅层模型缺乏非线性表示能够力,但高效且易于并行(自然,整合的东西少,本身神经网络就要慢一些)
    • 深层模型表示能力强,但是容易拟合噪音、时空复杂度高且调参繁琐

    与知识图谱表示学习的区别与联系

    • 知识图谱的表示学习以及问题
    • 知识图谱以图的形式表现客观世界中的尝试和事实
    • 可以给人工智能系统提供可处理的先验知识
    • 知识图谱表示学习将知识图谱中的实体和关系 学习为 包含语义信息的低维向量表示
    • 传统异质网络表示学习关注 拓扑结构
    • 知识图谱节点丰富,连接类型丰富,难以直接引用元路径等传统异质网络挖掘方法
    • 目前主流的表示学习方法Trans系列
    • 知识图谱是无模式的异质网络,本质上属于异质网络范畴
    • 为了平衡效率和效果,知识图谱表示学习方法忽略网络本身复杂结构(如何将简单模式的异质网络迁移至复杂模式的知识图谱)
    • 知识图谱有本题数据模型,传统异质网络表示如何将基于本体和规则的推理方法在语义层刻画

    应用场景

    • 之前的是基础数据挖掘人物
    • 除此之外 在商业、安全、医学等领域有许多实际的场景

    商业领域

    • 异质网络建模可以涵盖多类型节点及其之间的交互,整合丰富甚至异构的信息源,从而全面地刻画节点特征
    • 在这里插入图片描述
    • 最广泛的应用:推荐
    • 传统的推荐:仅考虑用户与物品的交互
    • 实际上的推荐应该:用户、商品、店铺、朋友之间的交互
    • MEIRec:建模异质网络,提出基于元路径的异质图神经网络学习意图推荐中的用户表示
    • Yu建模基于位置的社交网络,用贪心算法进行兴趣点 组推荐
    • HIE通过建模文字与响应模式等信息,预测用户的个性特征
    • CIKM最佳应用论文将咸鱼app中的用户、商品和评论建模为二分网络,并基于图神经网络进行垃圾评论过滤,减少其对用户选择的影响
    • 另一个应用:套现用户检测
    • 检测具有极高贷款违约率的用户
    • 常规方法基于统计特征训练分类器、
    • HACUD利用属性异质网络建模蚂蚁金服信用支付中用户与商家间的交互,并基于原路径和层次注意力机制学习用户表示
    • 另一个应用:在线租车平台希望提升用户乘车体验并预测用户行程
    • PHINE建模驾驶员、乘车和位置等信息
    • TDP利用行程起止点来预测用户短期出行可能

    网络安全

    • 恶意软件检测
    • 传统方法基于签名识别
    • KDD最佳论文,提出HinDroid将安卓应用程序、相关API及其丰富关系建模成异质网络,基于不同元路径度量安卓应用的相似性。最终利用多核学习加权相似性来进行预测
    • 在这里插入图片描述
    • AiDroid分类学习节点表示,利用深度神经网络进行监测
    • aCyber提出对抗攻击模型和防御模型来提升监测的鲁棒性
    • 恶意账户检测
    • Liu从支付宝异质子图中自适应学习嵌入表示,利用注意力机制区分不同类型节点的重要性
    • OSNE将犯罪和恐怖主义活动建模成异质网络,来识别恐怖分子
    • iDetector建模地下论坛,基于不同原结构表征帖子间的相关性并进行有效融合
    • uStyle-uIDy建模文本和照片,提出基于书写及摄影风格识别毒品贩子
    • 异常事件检测
    • 一个常评论动作电影的用户突然评论了情感类电影就是异常
    • Fan提出同时包含实体属性和二阶结构深度异质网络嵌入方法
    • Ranjbar等人提出基于张量分解和聚类的异常检测方法

    医学领域

    • 疾病诊断
    • 电子健康记录(EHR)有患者临床实践的详细记录,结构、语义丰富
    • HeteroMed使用异质网络对临床数据进行建模,利用元路径捕获有助于疾病诊断的重要语义
    • HinOPU框架利用异质网络建模推特中用户和推文间的关系,基于元图表征用户间的语义相关性进行阿片类药物使用者的预测
    • 基因分析
    • 以往的方法只关注基因本身,忽视了相关的生物网络拓扑结构中的信息
    • PLPIHS建模lncRNA-蛋白质网络,基于HeteSim(一种相关性计算方法,基于元路径)计算lncRNA-蛋白质对的相关性评分来推断其相互作用
    • 马毅基于HeteSim尖酸治病基因间的相关性

    未来发展方向

    • 面向多模态数据的异质网络构建与分析方法
    • 现有工作致力于关系数据库类的结构化数据建模
    • 文本、图像和多媒体?
    • 存在不少难题:
      • 利用半结构化的异质网络建模多模态数据时,节点和边关系不明确且复杂(如何从多模态数据中提取出合适的对象和关系)
      • 异质网络表示学习和多模态数据表示学习 如何有机融合
    • 面向复杂网络数据的异质网络分析方法
    • 实际复杂网络的特点变成了难题:
    • 实际网络动态异质:不断新节点产生,新交互
    • 实际网络规模巨大:算法的时间复杂度,响应时间
    • 实际网络模式丰富:知识图谱?难以描述,
    • 实际网络的连接包含丰富信息:社交异质网络中的关注、转发等是有向的,···
    • 面对深度计算的异质网络表示学习
    • 异质图神经网络的内部机制:聚合邻居信息
    • 异质图神经网络的鲁棒性:(研究表明)其易受对抗攻击
    • 异质网络表示学习的可解释性:eg,商品推荐依据元路径的注意力权重的推荐理由?
    • 异质网络与知识的融合:如何融合知识与异质网络产生足够的泛化能力
    • 更多的实际应用:应用不少,上面讲到已经有实际应用,商业,医学,网络安全
    • 但是其他领域引用的还是太少,尚待发掘
    展开全文
  • 异质信息网络是一种包含不同类型节点和边的网络,它具有更加复杂的网络结构和更加丰富的语义信息,可以更全面地表示系统的组成对象和他们之间的关系。在异质信息网络中,度量节点间的相似性是开展聚类、推荐等工作的...
  • 实际系统往往由大量类型各异、彼此交互的组件构成.当前大多数工作将其建模为同质...除介绍异质信息网络领域的基本概念外,重点聚焦基于元路径的数据挖掘方法、异质信息网络表示学习技术和实际应用三个方面的最新研究进
  • 保持聚类结构的异质网络表示学习.pdf
  • 传统的网络表示学习方法都是针对网络中节点和连边只有一种类型的同质信息网络的表示学习方法,而现实世界中的网络往往是具有多种节点和连边类型的异质信息网络。而且,从时间维度上来看,网络是不断变化的。因此,...
  • 异质信息网络研究现状及未来发展 一、引言 现实生活中的大多数实际系统是由大量相互作用、类型不同的组件构成,当前的分析方法通常将其建模为同质信息网络(Homogeneous information network)。采用同质网络的建模...
  • 异质网络的社区发现通过对异质网络中的多维结构、多模信息、语义信息、链接关系等信息进行建模表示和提取分析,以发现其中相对紧密稳定的社区结构,对网络信息的获取与挖掘、信息推荐以及网络演化预测具有重要的研究...
  • 异质网络表示--基于hyperedge

    千次阅读 2018-01-08 21:30:17
    , 那么是异质(heterogeneous)网络;如果T=1,那么是同质(homogeneous)网络。 2. 事件(event) : Q i Q_i 可以表示为 < V i , w i > , w_i> ,其中 w i w_i 是事件 Q i Q_i 的权重; V i = { V t i } T t = ...
  • 针对SDN网络管理与非SDN网络管理共存面临的管理信息异质性这一对立问题,引入可拓学的转换桥方法,给出该问题的基元表示、共存度函数与转换桥等形式化定义,并通过SDN管理信息的同义异词场景进行实例分析.分析结果表明,...
  • 由于用户与项目交互的稀疏性,所以冷启动问题一直存在,现存的方法从数据层面已经一定程度上减轻了冷启动的影响,最近的方法利用异质信息网络(HIN)通过高层图结构去捕获丰富的语义信息。另一方面,最近元学习...
  • KDD'18 | 异质信息网络嵌入学习

    千次阅读 2018-11-18 14:08:06
    Easing Embedding Learning by Comprehensive Transcription of Heterogeneous Information Networks, KDD‘18 ...原文链接:KDD'18|异质信息网络嵌入学习 1 引言 网络嵌入(network embedding)模型,是最近比...
  • HIN2Vec 是一篇关于异质信息网络中的表示学习的论文,发表在刚刚结束的 2017CIKM 会议上。这篇论文和我最近的工作有一些相似之处,一些想法甚至有些相同,同样有很多地方值得借鉴。  论文提出了一种 针对异质...
  • 异质网络模型HetGNN论文总结理解

    千次阅读 2022-04-14 09:49:30
    论文题目:Heterogeneous Graph Neural Network 论文来源:KDD 2019 ...HetGNN同时考虑到节点异质的内容信息(节点的不同属性信息的融合),以及图中异质的结构信息。 两个模块:第一部分,通过编码异质
  • 第二类是异质信息网络(Heterogeneous information network),网络中包含多种类型的关系和对象,具有全面的结构信息和丰富的语义信息。 目前同质信息网络中节点排序方法较多且应用较广,例如Personalized PageRank ,...
  • 作者:CHEONG ...多关系知识图谱中模型在做节点表征时便需要充分考虑到关系Relation,也就是边Edge对于实体表征的作用,因此异质知识图谱模型便会在做节点表征时加入Relation关系信息,那么如何合理充分结合n..
  • 本文首先提出了一种基于层次注意的异构图神经网络,包括节点级注意力和语义级注意力。具体来说,节点级的注意力旨在学习节点与其基于元路径的邻居之间的重要性,而语义级的注意力能够学习不同元路径的重要性。通过从...
  • 这里定义的同质异质网络是指行骗者更可能连接着其他行骗者。合法人更可能连接其他合法人。 令l为网络中合法结点的比例,f为网络中欺诈结点的比例,2lf就是一条边连接两个不同标签的结点的期望可能性,这些边叫做...
  • 目前针对信息网络的研究多数基于同质网络,关于异质信息网络的网络表示学研究相对较少。为此,提出一种结合不同元路径将异质信息网络转化成带权同质子图的网络表示学习算法。基于不同元路径在同类节点间构建带权重的...
  • 基于图神经网络的知识图谱学习方法:知识图谱表示学习,信息抽取,实体对齐,链接预测,知识推理。 知识图谱: 知识图谱是以图的形式表现客观世界中的实体及之间关系的知识库,实体可以是真实世界中的物体或抽象的...
  • 本文介绍 IJCAI 2020 中 3 篇与异质信息网络相关的论文。分别为:保留网络模式的异质信息网络嵌入异质网络表征学习异质信息网络上的领域自适应分类1. Network Schema...
  • PyG搭建异质图注意力网络HAN实现DBLP节点分类
  • WWW 2019 | HAN:异质图注意力网络
  • 主要任务:基于 HIN 的推荐 自注意力元路径建模 与以前利用 CNN 等神经网络来学习元路径表示的基于嵌入的方法不同,MTRec 主要依靠自注意力来捕捉元路径中的复杂语义。MTRec 中使用的自注意力元路径建模方法可以...
  • 本次讲座中,石川针对图神经网络研究的重要挑战——传统采用的是同质图数据,无法满足业界交互系统对异质图的实际需求,介绍了自己对于解决方案的一系列相关研究工作,包括:异质信息网络表示学习、浅层模型、深层...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 4,647
精华内容 1,858
热门标签
关键字:

异质信息网络表示