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。
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</