本文介绍 IJCAI 2020 中 3 篇与异质信息网络相关的论文。分别为:
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,
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。
节点分类任务实验结果
节点聚类任务实验结果
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:浅层嵌入学习和图神经网络。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。
https://github.com/HeterogeneousGraph
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。
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:
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。
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。
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)。