两篇多图神经网络学习跨域表示文章推荐

导读：本期论文分享两篇多图神经网络学习跨域表示的文章，一篇是图节点分类任务，另一篇是推荐任务的。

1

https://www.aaai.org/Papers/AAAI/2020GB/AAAI-ShenX.1703.pdf

这篇文章发表于AAAI2020，它研究了利用源网络中丰富的标记节点来帮助分类目标网络中的未标记节点的跨网络节点分类任务。现有的域自适应算法一般不能对网络结构信息进行建模，目前的网络嵌入模型主要集中在单网络应用上。因此，这两种方法都不能直接应用于解决跨网络节点分类问题。这篇文章提出了一种对抗跨网络深度网络嵌入(ACDNE)模型，将对抗领域自适应与深度网络嵌入相结合，以学习网络不变的节点表示，同时也能很好地保留网络结构信息。在ACDNE中，深层网络嵌入模块利用两个特征提取器来联合保持节点之间的属性亲和度和拓扑贴近度。此外，还加入了节点分类器使节点表示具有标签可分辨性，并且采用对抗域自适应技术使节点表示具有网络不变性。大量的实验结果表明，提出的ACDNE模型在跨网络节点分类中达到了最先进的性能。

2

https://arxiv.org/pdf/1905.10095

在许多现实问题中，学习有效嵌入已经被证明是有用的，如推荐系统、搜索排名和在线广告。然而，在学习大规模项目嵌入时面临的挑战之一是数据稀疏性，因为用户的历史行为数据在单个领域通常是缺乏或不足的。事实上，来自不同领域的用户关于相同项目的行为通常是相关的。因此，可以利用相关领域的互补信息来学习完整的用户行为，以缓解稀疏性。用图对用户行为进行建模非常直观，而图神经网络(GNNs)最近显示出强大的表示学习能力，可以用来学习项目嵌入。然而，使用现有的GNN来跨域传输信息和学习跨域表示是具有挑战性的。针对这些挑战，这篇文章提出了一种新的跨域表示学习模型——深度多图嵌入(DMGE)。具体地说，它首先根据不同领域的用户行为构造一个多图，然后提出一个多图神经网络，以无监督的方式学习跨域表示。特别地，这篇文章提出了一种多梯度下降优化器来有效地训练模型。最后在各种大规模的真实数据集上对提出的方法进行了评估，实验结果表明，DMGE在各种任务中的性能都优于其他最先进的嵌入方法。