资源 | OpenHINE：异质信息网络嵌入开源工具包

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。

项目链接：

https://github.com/BUPTDM/OpenHINE

该项目还在持续开发中，今后将根据已公布的 HINE 论文持续实现更多有代表性的模型。欢迎其他研究者在该框架中构建 HINE 模型到这个工具包里，也会公布项目中的贡献内容。

OpenHINE 是一个用于异质信息网络嵌入的开源工具包。它统一了 HINE 模型输入/输出/评测接口，并且修订和复现了目前比较经典的异质信息网络表示学习模型，包括：DHNE、HAN、HeGAN、HERec、HIN2vec、Metapath2vec、MetaGraph2vec、RHINE。更多资料请访问 www.shichuan.org。

亮点：

• 易于训练和评估
• 能够扩展到新的/您的数据集和模型
• 可用的最新模型：HAN，HeGAN 等

贡献者：

北京邮电大学 DMGroup 成员：赵天宇，朱美琪，刘佳玮，刘念，楚贯一，刘佳玥，王啸，杨成，胡琳梅，石川

1 开始

配置需求：

• Python version >= 3.6
• PyTorch version >= 1.4.0
• TensorFlow version >= 1.14
• Keras version >= 2.3.1

使用：

输入参数：

python train.py -m model_name -d dataset_name

例如，使用 Metapath2vec 模型训练 ACM 数据请输入：

python train.py -m Metapath2vec -d acm

模型设置：

可以在文件（./src/config.ini）中修改模型参数。

• 通用参数 ……
  • alpha: 学习率
  • dim: 输出维度
  • epoch: 迭代次数
• 特定参数 ……
  • metapath: 选择的元路径
  • neg_num: 负采样的个数

数据集：

如果想用自己的数据集进行训练，请创建文件（./dataset/your_dataset_name/edge.txt），数据格式如下：

• input: edge

src_node_id dst_node_id edge_type weight

例如：

19	7	p-c	2
19	7	p-a	1
11	0	p-c	1
0       11	c-p	1

-输入图是有向图，无向图需要转换为有向图。

• Input: feature

number_of_nodes embedding_dim

node_name dim1 dim2

例如：

11246	2
a1814 0.06386946886777878 -0.04781734198331833
a0 ... ...

2 模型

DHNE AAAI 2018

Structural Deep Embedding for Hyper-Networks

源代码：

https://github.com/tadpole/DHNE

HAN WWW 2019

Heterogeneous Graph Attention Network

-将feature.txt添加到输入文件夹中或者设置参数["featype": "adj"]，以使用邻接矩阵作为特征。

源代码：

https://github.com/Jhy1993/HAN

DGL 实现:

https://github.com/dmlc/dgl/tree/master/examples/pytorch/han

HeGAN KDD 2019

Adversarial Learning on Heterogeneous Information Network

源代码：

https://github.com/librahu/HeGAN

HERec TKDE 2018

Heterogeneous Information Network Embedding for Recommendation

源代码：https://github.com/librahu/HERec

-特定参数["metapath_list": "pap|psp"] （元路径用"|"划分）

HIN2Vec CIKM 2017

HIN2Vec: Explore Meta-paths in Heterogeneous Information Networks for Representation Learning

源代码：

https://github.com/csiesheep/hin2vec

metapath2vec KDD 2017

metapath2vec: Scalable Representation Learning for Heterogeneous Networks

源代码：

https://ericdongyx.github.io/metapath2vec/m2v.html

DGL 实现：

https://github.com/dmlc/dgl/tree/master/examples/pytorch/metapath2vec

MetaGraph2Vec PAKDD 2018

MetaGraph2Vec: Complex Semantic Path Augmented Heterogeneous Network Embedding

源代码：

https://github.com/daokunzhang/MetaGraph2Vec

RHINE AAAI 2019

Relation Structure-Aware Heterogeneous Information Network Embedding

源代码：

https://github.com/rootlu/RHINE

3 输出

测试

python test.py -d dataset_name -m model_name -n file_name

输出的嵌入文件在路径（./output/embedding/model_name/）中。

例如，使用 HAN 模型测试 DBLP 数据并输出到 node.txt 文件请输入：

python test.py -d dblp -m HAN -n node.txt

输出格式如下：

• output: embedding

number_of_nodes embedding_dim

node_name dim1 dim2

例如：

11246	2
a1814 0.06386946886777878 -0.04781734198331833
a0 ... ...

4 评估

-这里HAN使用的是没有节点特征的数据集