【PaperReading】Heterogeneous Graph Neural Network

本文提出了HetGNN,一种用于处理内容关联异质图的模型,旨在解决异质图中节点的结构和内容信息表示问题。HetGNN采用带重启的随机游走策略采样异质邻居,使用Bi-LSTM编码节点内容信息,并通过注意力机制考虑不同类型的邻居节点的影响。实验表明,HetGNN在链接预测、推荐、节点分类和聚类任务上超越了现有方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


今天阅读一篇KDD 2019的一篇文章:Heterogeneous Graph Neural Network。研究团队针对异构图网络进行建模,得到每个节点的向量表示。首先,利用基于重启的随机游走策略为每个节点根据节点类型选择邻居,然后利用两个模块聚合邻居节点特征:一方面,对节点的不同类型特征进行建模,生成特征向量;另一方面,聚合不同类型的邻居节点,并融合注意力机制,对不同类型的节点赋予不同的权重,得到最终的向量表示。最后,建立损失函数,mini-batch梯度下降端对端学习模型。将学习到的向量表示用于链接预测,推荐,节点分类,聚类等问题,都取得了较好的效果。

Heterogeneous Graph Neural Network
论文摘要:本文研究的是内容相关的异质图(content-associated HetG)的表示学习问题。以往的工作大多没有同时考虑异质的结构信息以及每个节点的异质内容信息(节点的属性信息)。本文提出了HetGNN解决上述问题。

  • 首先,引入了带重启的随机游走机制(random walk with restart strategy),为每个节点采样固定数量的强关联的异质邻居,并基于节点类型对它们分类。
  • 接着,作者设计了由两个模块组成的神经网络框架来聚合被采样邻居节点的特征信息</
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

镰刀韭菜

看在我不断努力的份上,支持我吧

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值