精华内容
下载资源
问答
  • 由多种类型的实体和关系构成的异质信息网络逐渐成为社会网络分析的研究热点。作为异质信息网络的一个独特属性,元路径包含了丰富的语义信息。实际生活中的许多网络都包含带权值的链接,这使得不考虑链接上权值的传统...
  • 随着大数据时代的到来,异质信息网络自然融合异构多源数据的优势使其成为解决大数据多样性的重要途径。因此,异质信息网络分析迅速成为数据挖掘研究和产业应用的热点。
  • 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...

    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
  • 该模型将数据建模成一个异质信息网络,使用MutualRank通过直接在异质信息网络上的随机游走来更好地建模对象的权威度;使用PDRank融合各个对象的权威度及对象之间的多样性,最终能得到同时具备权威度及多样性的排序...
  • 针对在突发事件应急决策中,信息表述为精确数、区间数、语言术语、直觉模糊数、中智数、梯形模糊中智数等多样性的特点,同时鉴于案例推理方法的简单易用,提出一种异质信息环境下基于案例推理的应急决策方法....
  • 异质信息网络的研究现状综述,阅读之后可以对异质信息网络有一个大概的了解
  • 针对水环境审计绩效评价中存在的模糊性、多指标、异质性等特点,提出考虑决策者行为的水环境审计绩效异质信息多指标评价方法.首先,构建水环境审计绩效评价指标体系;其次,对异质评价信息采用实数、区间数、三角模糊数...
  • 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...

    本文介绍 IJCAI 2020 中 3 篇与异质信息网络相关的论文。分别为:

    1. 保留网络模式的异质信息网络嵌入

    2. 异质网络表征学习

    3. 异质信息网络上的领域自适应分类

    1. Network Schema Preserving Heterogeneous Information Network Embedding

    https://www.ijcai.org/Proceedings/2020/0190.pdf

    现有的许多 HIN 嵌入方法都采用元路径引导的随机游走来保留不同类型节点之间的语义和结构相关性。然而,元路径的选择仍然是一个悬而未决的问题,它要么依赖于领域知识,要么是从标签信息中学习的。

    网络模式全面包含了 HIN 的高阶结构以及丰富的语义。这篇文章首次对保留 HIN 嵌入的网络模式进行了研究,并提出了一种新的模型—— NSHE 模型。在 NSHE 中,

    1. 首先提出一种网络模式采样方法来生成子图(即模式实例),

    2. 然后构建多任务学习任务来保留每个模式实例的异构结构。

    3. 除了保留成对结构信息之外,NSHE 还能够保留高阶结构(即网络模式)。

    在三个真实数据集上的广泛实验表明,提出的模型NSHE的性能明显优于最先进的方法。

    HIN 数据示例
    NSHE 模型
    实验结果
    节点分类任务实验结果
    节点聚类任务实验结果

    2. Heterogeneous Network Representation Learning

    https://www.ijcai.org/Proceedings/2020/0677.pdf

    这篇综述考察和回顾了异质信息网络表示学习的问题。该问题的目标是自动地将输入异质网络中的对象(最常见的是顶点)投影到潜在嵌入空间中,使得可以对网络的结构和关系属性进行编码和保留。然后,嵌入(表示)可以用作机器学习算法的特征,用于处理相应的网络任务。

    要学习具有代表性的嵌入,目前的研究进展可以分为两大类:浅层嵌入学习图神经网络。在彻底回顾现有文献之后,文章确定了几个仍未解决的关键挑战,并讨论了未来的方向。最后建立了异质图 Benchmark,以便于对这一快速发展的主题进行开放式研究。

    HIN Benchmark

    https://github.com/HeterogeneousGraph

    未来方向
    • A voiding Meta Path Design.

    • Multi-Sense Representations.

    • Pre-Training of (Heterogeneous) GNNs.

    • Multi-Task Learning.

    • Dynamics and Scalability.

    • Others.

    3. Domain Adaptive Classification on Heterogeneous Information Networks

    https://www.ijcai.org/Proceedings/2020/0196.pdf

    虽然领域自适应(DA)技术在图像和文本中得到了广泛的应用,但异质信息网络(HIN)的异质性和复杂的语义对其上的领域自适应分类提出了特殊的挑战。

    • 一方面,HINs 涉及多个层次的语义,因此需要在它们之间进行域对齐。

    • 另一方面,必须在领域相似性和可区分性之间进行仔细的权衡,因为已经证明领域不变特征对于分类来说是信息不足的。

    这篇文章提出了多空间域自适应分类算法 MuSDAC 来解决 HINs 上的 DA 问题。具体地说:

    1. 文章利用多通道共享权重 GCNs,将 HINs 中的节点投影到多个空间,在那里进行成对对齐。

    2. 此外,文章还提出了一种启发式采样算法,有效地选择了具有可区分性的通道组合,并提出了移动平均加权投票方案来融合所选择的通道,从而最小化了迁移和分类损失。

    在成对数据集上的大量实验不仅证实了模型在 HINs 上的领域自适应分类性能,而且给出了每个组件对应的效果。

    模型图
    MuSDAC 采用多通道共享权重 GCNs 进行基于元路径的 HIN 处理,采用多空间对齐识别 DA 分类任务的可迁移语义信息。
    数据集

    分别从 ACM、AMiner 和 DBLP 中抽出结构不同的图对。表1列出了这些数据集的统计数据,因此显示了它们的结构差异。对于每对图,元路径边的密度彼此之间差别很大,这表明这些图对是域兼容的(即结构上不相似)。

    节点分类任务实验结果

    往期论文推荐

    ICML 2020 | 4 篇推荐系统相关论文

    ICML 2020 | 4 篇图卷积网络相关论文


    展开全文
  • 本文首先通过分析现有的相似性度量算法的优势与不足,提出了一...该算法可以度量异质信息网络中任意结点对之间的相似度,同时度量具有对称性。通过与其它度量算法在真实数据集上的实验结果的比较,验证了算法的有效性。
  • 异质信息网络中相似性度量算法的研究与改进,未翠翠,张成文,本文基于异质信息网络进行了异质结点间相似性度量算法的研究,分析现有算法的原理并总结了各个算法的优缺点。针对AvgSim算法在含有
  • 论文研究-社交网络异质信息投资者市场演化及其规律.pdf, 通过引入双因素交互机制和参照依赖优化过程,构建出社交网络环境下的异质信息交易模型.根据投资者的不同社交...
  • 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...

    Easing Embedding Learning by Comprehensive Transcription of Heterogeneous Information Networks, KDD‘18

    阅读更多,欢迎关注公众号:论文收割机(paper_reader)
    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,是最近比较火的研究方向,尤其是在异质信息网络(Heterogeneous Information Network)上的嵌入模型,因为结构更为复杂,信息更为丰富,所以能够使用的特征,以及可以研究的问题更多。

    这篇KDD’18的文章,没有按照常规的方法将所有的node嵌入到同一的空间,因为文章提出node因为连接的edge类型(type)不同,存在不兼容(incompatibility)的特性,所以最好能够根据不同的edge type来定义不同度量空间(metric space),保持同一个度量空间下,node的兼容性。

    本文将首先介绍背景知识,包括异质网络和网络嵌入学习,之后介绍这篇KDD提出的HEER[1]模型,最后给出总结和一些可能能够改进的思路。更多细节分析,关注公众号paper_reader,并后台回复“HEER”获取Slides。(注:该Slides将详细介绍Network Embedding的各类相关模型)

     

    2  背景介绍

    异质信息网络[2]是在传统的同质(homogeneous)网络上提出的一种信息更为丰富的网络结构。传统的社交网络,只有节点和边的结构信息,而并不对节点和边的类型作区分。而异质网络中,节点和边的类型信息同时被考虑,从而可以获得更多层次的信息。

    因为网络是结构化信息为主,为了能够更好的利用网络信息,使用embedding来表示网络中的节点或者边的信息能够直接使用现有的很多模型,因此一个非常重要的研究方向就是如何使用embedding,即同一空间(或不同空间)下的一组向量来表示网络信息,这就是network embedding所要研究的问题[3]。

    如图,使用(b)图的向量来表示(a)网络中的节点[4]。

     

    图 1 Network Embedding 示例
    图 1 Network Embedding 示例

     

    3  HEER模型思想

    该论文提出的模型,想要解决Type不兼容的问题。在研究异质网络中,常用的思路仍然是将所有的节点在同一个空间下表示,但是这时候就会出现一些节点因为存在多种关系,而关系与关系之间又并不兼容的特性。

    如图,stanmusicalAng Lee是不同类型的节点,因为musical和Ang Lee的embedding距离很远,会导致stan无法同时和两个embedding同时很近,因此需要学习两个不同的度量空间,从而stan分别在两个度量空间中与对应的node距离很近。

    图 2 异质网络嵌入学习中的不兼容现象

     

    为了解决这样的问题,该论文在计算相似度s的时候提出了度量向量μ。

     

    该度量向量μ是对不同类型的关系来进行embedding,g_{uv}是表示u,v之间的边的embedding。通过定义该相似度函数,能够获得基于不同边类型r的相似度。

     

    4  HEER模型结构

    图3 HEER模型框架结构

    该模型结构,输入是一个异质网络,之后网络中的节点使用index表示,通过F网络学习出node embedding,之后通过g函数来学习出边的embedding,最后通过type之间的相似度,也就是定义的相似度函数和原始连接关系共同作为ground truth,最后训练出网络参数,从而能够学到网络的嵌入模型。

     

    5  总结

    HEER模型,能够建立异构网络中不同type之间的不兼容性,这是一种新的尝试,将不兼容的性质提出并通过不同度量空间来表示。

    其次,HEER模型能够同时学习网络中节点的node embedding和边的edge embedding。

    不过该文章仍有一定的局限性,比如没有考虑更复杂的网络结构信息,而是仅仅通过相邻节点的关系来确定embedding,更复杂的关系可以通过meta-path来找到,这也可能成为该论文未来的研究方向。

     

    更多细节分析,关注公众号paper_reader,并后台回复“HEER”获取Slides

     

    阅读更多,欢迎关注公众号:论文收割机(paper_reader)
    原文链接:KDD'18|异质信息网络嵌入学习​​​​​​​


     

    参考文献

    [1] Shi Y, Zhu Q, Guo F, et al. Easing Embedding Learning by Comprehensive Transcription of Heterogeneous Information Networks[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, 2018: 2190-2199.

    [2] Y. Sun, J. Han, X. Yan, P. S. Yu, and T. Wu. Pathsim: Metapath-based top-k similarity search in heterogeneous information networks. In VLDB, 2011.

    [3] Cui P, Wang X, Pei J, et al. A survey on networkembedding[J]. IEEE Transactions on Knowledge and Data Engineering, 2018.

    [4] W. Zachary. An information flow model for conflict and fission in small groups1. Journal of anthropological research, 33(4):452–473,1977.

     

    展开全文
  • 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 ,...

    原文地址:https://dreamhomes.github.io/posts/202007261112.html

    背景

    现实中的复杂系统大体可以抽象为两类:第一类是同质信息网络(Homogeneous
    information network),这种建模方法仅抽取网络中部分信息并且没有区分对象或者关系间的差异性;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 ,其计算公式如下所示:
    PPRq=(1α)MT×PPRq+αq \mathbf{P P R}_{q}=(1-\alpha) M^{T} \times \mathbf{P P R}_{q}+\alpha \mathbf{q}

    但是其不适用于异质信息网络。因此介绍当前的两种适用于异质信息网络中节点排序的方法 ObjectRankPopRank,主要思想借鉴PageRank。

    ObjectRank

    ObjectRank 主要用于数据库中查询内容,根据输入的关键字对内容进行排序输出。

    以 DBLP 数据库说明下术语及其含义,并给出算法过程。

    • Label / Data Graph
    • Schema Graph
    • Authority transfer schema graph
    • Authority Transfer Data Graph
    • 对于关键字 “OLAP” 的查询结果

    算法过程

    以给定的模式图(Schema Graph) G(VG,EG)G(V_G, E_G) 来建模复杂系统,每个对象包含多个属性-值对。根据模式图需要定义一个权威概率转移模式图(authority transfer schema graph)GA(VG,EGA)G^A(V_G, E_G^{A}),图中每条边的转移概率是依据专家知识定义的。给定数据图(data graph)D(VD,Ed)D(V_D, E_d)可以根据G(VG,EG)G(V_G, E_G)GA(VG,EGA)G^A(V_G, E_G^{A})可以得到一个权威性转移数据图DA(VD,EDA)D^A(V_D, E_D^A)

    对于图中任意两个对象 uuvv间的转移概率可以定义为:
    M(u,v)={w(T)dout(u,T) if dout(u,T)>00 if dout(u,T)=0 M(u, v)=\left\{\begin{array}{ll} \frac{w(T)}{d_{o u t}(u, T)} & \text { if } d_{o u t}(u, T)>0 \\ 0 & \text { if } d_{o u t}(u, T)=0 \end{array}\right.
    式中 TT表示边(u,v)(u, v)的类型,w(T)w(T)表示边类型为TT的权威转移概率,dout(u,T)d_{out}(u, T)表示节点uu所有出边类型为 TT 的边数量。

    在定义权威性转移数据图并得到节点带你转移概率矩阵 MM 之后,其在线查询过程与Personalized PageRank 类似。

    对于一个查询关键字 kk ,系统将会根据包含该关键字的对象准备一个查询向量 q\mathbf{q},如果一个对象 uu 包含关键字 kk,那么 q(u)=1/Nkq(u)=1/N_k,否则q(u)=0q(u)=0, 其中NkN_k表示所有包含该关键字的对象数量。那么对于给定的关键字 kkObjectRank vector为:
    ORq=(1α)MT×ORq+αq \mathrm{OR}_{q}=(1-\alpha) M^{T} \times \mathrm{OR}_{q}+\alpha \mathrm{q}
    其中α\alpha阻尼参数。

    PopRank

    PopRank主要用于网页排序,考虑了网页流行度和其它类型对象的影响,计算公式如下:
    RX=ϵREX+(1ϵ)YγYXMYXTRY \mathbf{R}_{X}=\epsilon \mathbf{R}_{E X}+(1-\epsilon) \sum_{Y} \gamma_{Y X} M_{Y X}^{T} \mathbf{R}_{Y}
    其中 ϵ\epsilon 为加权参数,γYX\gamma_{Y X} 表示从类型为YY的对象到类型为XX的对象的流行度传播因子(PPF),YγYX=1\sum_{Y} \gamma_{Y X}=1MYXM_{YX}是类型YY和类型XX间的邻接矩阵;RYR_Y 是类型 Y 的PopRank vector。

    论文中还提出了模拟退火算法来学习流行传播因子 γYX\gamma_{Y X},想了解可以阅读原论文。Object-Level Ranking: Bringing Order to Web Objects

    展开全文
  • 为了方便大家对异质信息网络表示学习(HINE)开展相关的实验或研究,北京邮电大学 DMGroup 的研究人员在 GitHub 上发布了 HINE 训练和测试框架 OpenHINE。项目链...
  • 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...
  • PathSim:异质信息图中基于元路径的top-k相似搜索 标签(空格分隔): 图模型 PathSim 本文研究异质信息网络同一类型的顶点上的相似搜索。此外,考虑网络中不同链接路径,可以推导出不同的语义相似度。这里介绍...
  • 现有的许多 HIN 嵌入方法都采用元路径引导的随机游走来保留不同类型节点之间的语义和结构相关性。然而,元路径的选择仍然是一个悬而未决的问题,它要么依赖于领域知识,要么是从标签信息中学习的。
  • 论文简介 滴滴出行发表在KDD 2020上的一篇论文,原文标题为:HetETA...本文介绍了一个名为HetETA框架利用异质信息建模ETA任务。我们将道路图转化为一个多关系网络,并引入一个基于车辆轨迹的网络来共同考虑交通行为模
  • 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...
  • 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...
  • MTRec 采用多任务学习为基于HIN的推荐带来了几个好处: 链接预测模拟了 HIN 的动态增长,不仅有助于丰富 HIN 的信息(从而缓解了稀疏性问题,MTRec 还考虑了来自不连接目标用户和候选项目的元路径的信息),而且还...
  • 因此,我们设计了一个语义增强的任务构造器,以使用异质语义上下文来增强对用户任务的支撑和查询集,这些语义上下文包括通过异质信息网络中元路径与用户相关的商品。语义上下文本质上是多方面的,因此,通过每个元...
  • 基于现有模型存在的问题,论文提出了 HIN2Vec 模型,通过研究节点之间不同类型的关系和网络结构,学习异质信息网络中丰富的信息。由于 不同的元路径可能有不同的语义信息 ,所以作者认为 对嵌入在元路径和整个网络...
  • 为了建模这样语义丰富的关系,我们首先介绍了一个结构化的异质信息网络(HIN)用来进行表示,之后,使用基于meta-path的方法去吸收更高级别的语义,然后建立代码段间的相关性。之后,我们提出了一个叫做snippet2vec...
  • 针对大范围未知环境下的机器人目标跟踪问题,在智能空间下分布式智能网络设备与机器人本体二维激光的基础上,提出了一种基于异质信息融合结构以实现机器人对目标实时检测和跟踪的方法。系统通过颜色信息进行移动目标...
  • 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、异质信息网络的表示学习技术和实际应用三个方面的最新研究进
  • 包含不同类型节点和边的为异质信息网络。 元路径是定义在网络模式上的链接两类对象的一条路径 挑战 异质信息网络的复杂性也为网络表征学习提出了新的挑战: 节点和边的异质性带来的挑战。不同类型的节点和边...
  • #include #include using namespace std; class Student { public: virtual void get()=0; virtual void display()=0; string name; int num; }; class UGraduate :public Student//本科生 ... void get()
  • 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,...
  • 动态网络的社区发现是目前复杂网络分析领域的重要研究内容,然而现有动态网络社区发现方法主要针对同质网络,当网络包含多种异质信息时,现有方法不再适用。针对这个问题,提出了一种基于联合矩阵分解的动态异质网络...

空空如也

空空如也

1 2 3 4 5 ... 17
收藏数 336
精华内容 134
关键字:

异质信息