AMiner推荐论文

AMiner推荐论文：Relation Prediction via Graph Neural Network in Heterogeneous Information Networks with Missing Type Information
论文链接：
https://www.aminer.cn/pub/61850e9691e01121084ca0df?f=cs
关系预测是网络分析中的一项基本任务，旨在预测两个节点之间的关系。因此，这不同于传统的链接预测问题，即预测一对节点之间是否存在链接，可以将其视为二元分类任务。然而，在包含多种类型节点和节点之间多种关系的异构信息网络（HIN）中，关系预测任务更具挑战性。此外，HIN 可能在某些边上缺少关系类型，在某些节点上缺少节点类型，这使问题变得更加困难。 在这项工作中，我们提出了 RPGNN，一种基于图神经网络 (GNN) 和多任务学习的新型关系预测模型来解决这个问题。现有的用于 HIN 表示学习的 GNN 模型通常侧重于节点分类/聚类任务。它们需要所有边和节点的类型信息，并且总是为每种类型学习一个权重矩阵，因此在具有丰富模式的 HIN 上需要大量的学习参数。相比之下，我们的模型直接在 HIN 中编码和学习关系，避免了 GNN 中消息传递过程中对类型信息的要求。因此，我们的模型对于 HIN 上的关系预测任务的缺失类型更加稳健。在真实 HIN 上的实验表明，我们的模型可以始终如一地获得比几种最先进的 HIN 表示学习方法更好的性能。
AMiner,让AI帮你理解科学！https://www.aminer.cn