Mrong1013967的博客

HinCTI： 基于异构信息网络的网络威胁情报建模与识别系统摘要 网络攻击日益复杂化、持久化、组织化和武器化。面对这种情况，全世界越来越多的组织正显示出越来越愿意利用网络威胁情报公开交换（CTI）来全面了解快速演变的网络威胁形势，并保护自己免受网络攻击。然而，由于CTI之间的显式和隐式关系以及CTI所涉及的网络威胁基础设施节点的异构性，对CTI的建模具有挑战性。由于CTI中涉及的网络威胁基础设施节点的标签有限，因此自动识别基础设施节点的威胁类型进行预警也是一个挑战。为了应对这些挑战，开...

Gotcha - Sly Malware! Scorpion: 基于Metagraph2vec的恶意软件检测系统摘要: 恶意软件检测由于其对互联网和计算设备安全的严重破坏和威胁，几十年来一直受到反恶意软件行业和研究人员的关注。为了对抗不断发展的恶意软件攻击，本文首先研究了如何利用基于内容和基于关系的特征来刻画恶意软件；为了对不同类型的实体(即文件、档案、机器、应用编程接口、动态链接库)以及它们之间丰富的语义关系(即文件-档案、文件-机器、文件-文件、应用编程接口-动态链接库、文件-应用...

HCGN：面向集体分类的异构图卷积网络深度学习模型摘要集合分类是研究网络数据的一项重要技术，旨在利用一组具有复杂依赖关系的互联实体的标签自相关性。随着各种异构信息网络的出现，集合分类目前正面临着来自异构信息网络的严峻挑战，如复杂的关系层次、潜在的不相容语义和节点上下文关系语义。为了应对这些挑战，本文提出了一种新的基于异构图卷积网络的深度学习模型，称之为HGCN，用于对HINs中的实体进行集体分类。我们的工作包括三个主要贡献:1)HGCN不仅通过多层异构卷积从关系复杂的HINs中学习潜在的关系，而且用适当

元结构：大型异构信息网络中的相关性计算摘要 异构信息网络(HIN)是一种图形模型，其中对象和边用类型进行注释。大型复杂的数据库，比如Y AGO和DBLP，可以建模为HINs。HINs中的一个基本问题是计算两个HIN对象之间的接近度或相关性。相关性度量可用于各种应用，包括实体解析、推荐和信息检索。一些研究已经研究了使用HIN信息进行相关性计算，然而，大多数研究只利用简单的结构，如路径，来衡量对象之间的相似性。在本文中，我们建议使用元结构来度量对象之间的接近度，元结构是对象类型的有向无环图...

用图卷积网络建模关系数据摘要知识图支持广泛的应用，包括问题回答和信息检索。尽管在它们的创建和维护方面投入了巨大的努力，但即使是最大的(如Yago、DBPedia或Wikidata)也仍然不完整。我们引入关系图卷积网络(R-GCNs)，并将其应用于两个标准的知识库完成任务:链接预测(缺失事实的恢复，即主谓宾三元组)和实体分类(缺失实体属性的恢复)。R-GCNs与最近一类在图形上运行的神经网络有关，并且是专门为处理现实知识库的高度多关系数据特征而开发的。我们证明了作为一个独立的实体分类模型的有效性。

异构信息网络的领域自适应分类摘要异构信息网络（heterogeneousinformationnetworks，HINs）是一种普遍存在的结构，它能够描述复杂的关系数据。由于HINs的复杂性，很难获得足够的标记数据，阻碍了HINs的分类。领域自适应技术在图像和文本中得到了广泛的应用，但其异构性和复杂的语义特性给基于HINs的领域自适应分类带来了特殊的挑战。一方面，HINs涉及多个层次的语义，这就要求在它们之间进行域对齐。另一方面，在领域相似性和可区分性之间的权衡必须精心选择，因为领域不变的特征已经被

基于层次结构的动态异构图嵌入摘要：图嵌入已经引起了许多研究兴趣。现有的研究主要集中在静态同质/异构网络或动态同质网络上。然而，动态异构网络在现实中更为普遍，如社会网络、电子商务网络、引文网络等，对动态异构图嵌入的研究还比较缺乏。在本文中，我们提出了一种新的动态异构图嵌入方法，利用层次注意（DyHAN）学习节点嵌入，利用结构异构性和时间演化。我们在三个真实的数据集上评估了我们的方法。结果表明，DyHAN在链路预测任务方面优于各种最新的基线。关键词：图嵌入·异构网络·动态图嵌入1简介图形（网络）

通过跨异构网络学习挖掘竞争关系摘要图神经网络已广泛应用于图的表示学习，并在节点分类和链接预测等任务中取得了最先进的性能。然而，大多数现有的神经网络被设计来学习固定和同构图上的节点表示。当学习由各种类型的节点和边组成的拼错图或异构图的表示时，这些限制尤其成问题。在本文中，我们提出了能够生成新的图结构的图转换网络(GTNs)，包括识别原始图中未连接节点之间的有用连接，同时以端到端的方式学习新图上的有效节点表示。图形转换器层是几何网络的核心层，它学习边缘类型和复合关系的软选择，以生成有用的多跳连接，即所谓

跨异构网络学习挖掘竞争关系跨异构网络学习挖掘竞争关系摘要 发现和监控竞争对手是公司在全球市场保持领先地位的根本。现有的研究主要集中在挖掘单个数据源中的竞争关系，而竞争信息通常分布在多个网络中。在这个问题中，如何发现潜在的模式并利用异质知识来避免有偏见的方面是一个具有挑战性的问题。本文研究了在异构网络中通过学习来最小化竞争关系的问题。我们使用Twitter和专利记录作为数据来源，并对竞争关系背后的模式进行统计研究。我们发现这两个网络表现出不同但复杂的竞争模式。我们提出的模型，主题因素图模型（T

HeteSim：异构网络中相关性度量的通用框架摘要相似性搜索是许多应用中的一个重要功能，它通常侧重于度量同一类型对象之间的相似性。然而，在许多场景中，我们需要测量具有不同类型的对象之间的相关性。随着异构网络研究的兴起，对不同类型对象的相关性度量变得越来越重要。本文研究了异构网络中的相关搜索问题，其任务是度量异构对象（包括具有相同类型或不同类型的对象）的相关性。提出了一种新的度量方法HeteSim，该方法具有以下特点：（1）一致性度量：可以在一个统一的框架内度量同一类型或不同类型对象之间的关联性；（2

过程跟踪聚类:一种异构信息网络方法摘要流程挖掘是从事件日志中提取信息的任务，例如从工作流管理或企业资源规划系统中生成的日志，以便发现底层流程、组织和产品的模型。由于事件日志通常包含各种流程执行，所发现的模型可能很复杂，难以理解。跟踪聚类通过将事件日志分成更小的子集，并在每个子集上应用进程发现算法来帮助解决这个问题，从而使每个子集发现的进程不那么复杂，也更准确。然而，最先进的聚类技术是有限的:相似性度量不是过程感知的，它们不能很好地扩展到高维事件日志。在本文中，我们提出了一个过程事件日志的概念，作为一

异构网络的影响与相似性摘要在社会网络研究中，社会影响最大化和实体相似性是两个重要的正交课题。在同质网络上，社会影响最大化研究试图确定一个初始影响集，使信息传播最大化，而相似性研究则侧重于设计有意义的方法来量化实体的相似性。当异构网络变得无处不在，并且不同类型的实体相互关联时，我们观察到将两个方向合并在一起以提高它们的性能的可能性。事实上，我们发现一类节点之间的影响值和另一类节点之间的相似度得分相互加强，从而得到更好、更有意义的结果。因此，我们引入一个框架来计算一类节点的社会影响，同时测量异构网络

异构信息网络挖掘的活动边缘中心多标签分类摘要异构信息网络的多标签分类在社会网络分析中受到了新的关注。本文提出了一个以活动边缘为中心的多标签分类框架，用于分析具有三个独特特征的异构信息网络。首先，我们根据一个协作图和多个相关联的活动图来建模一个异构信息网络。我们根据顶点标签和边标签引入了一个新的点边同态概念，并通过基于活动的边分类，用每个活动图的类标签来扩充边，从而将一般的协作图转化为基于活动的协作多图。第二，在基于活动的协作多图标记的基础上，利用标记邻域来获取成对的顶点贴近度。我们将结构相似性和标签

摘要文本分类是一个具有多种应用的重要问题。传统方法将文本表示为一个单词包，并基于该表示来构建分类器。实体之间的关系，以及实体和关系的类型携带了更多的信息来表示文本，而不是单词、实体短语。提出了一种新的文本网络分类框架，该框架引入了1)结构化和类型化的异构信息网络文本表示，2)基于元路径的文本链接方法。我们表明，有了新的文本表示和链接，实体和关系的结构化和类型化信息可以合并到内核中。特别地，我们在文本的HIN表示中开发了基于元路径的简单线性核和不定核，我们称它们为HIN核。利用世界著名的知识库Freeba

转移学习推断跨异构网络的社会联系人际关系负责社会网络的结构和通过这些网络传递信息。不同类型的社会关系对人的影响本质上是不同的。对社会关系类型的了解有助于许多应用，例如推荐和社区检测。例如，我们的亲密朋友往往和我们在同一个圈子里活动，而我们的同学可能分布在不同的社区。虽然大量的研究集中在推断特定社会网络中特定类型的关系，但很少有文献系统地研究跨多个异质网络预测社会关系的问题。在这项工作中，我们开发了一个称为TranFG的框架，用于通过跨异构网络的学习对社会关系类型进行分类。该框架将社会理论引入到因子图

用于恶意账户检测的异构图神经网络摘要我们介绍了GEM，这是全球领先的移动无现金支付平台之一的支付宝第一个用于检测恶意账户的异构图神经网络方法。我们的方法受连通子图方法的启发，基于攻击者的两个基本弱点，即设备聚合和活动聚合，自适应地从异构帐户设备图中学习有区别的嵌入。对于由不同类型的节点组成的异构图，我们提出了一种注意机制来学习不同类型节点的重要性，同时利用求和算子对每种类型节点的聚集模式进行建模。实验表明，随着时间的推移，与竞争方法相比，我们的方法始终表现出有希望的结果。关键词恶意账户检测；.

基于图关注网络的异构网络类型感知锚链路预测摘要跨异构网络的锚定链路预测在跨网络应用中起着举足轻重的作用。异构网络锚链路预测的难点在于如何综合考虑影响节点对齐的因素。近年来，基于网络嵌入的锚链预测已经成为主流。对于异构网络，以往的锚定链路预测方法首先整合与用户节点相关联的各种类型的节点，从全局角度获得融合嵌入向量，然后基于不同用户节点对应的融合向量之间的相似性来预测锚定链路。然而，融合向量忽略了局部类型信息对用户节点对齐的影响。为了应对这一挑战，我们提出了一种新的跨异构网络的类型感知锚链路预测方法(T

一种基于注意的异构结构学习图神经网络摘要本文主要研究异构信息网络（HIN）的图表示学习，其中各种类型的顶点通过各种关系连接。现有的方法大多是通过元路径修正齐次图嵌入模型，以学习HIN的低维向量空间。本文提出了一种新的异构图结构注意神经网络（HetSANN）来直接编码HIN的结构信息，而不需要元路径，从而获得更多的信息表示。该方法不需要领域专家来设计元路径方案，并且可以自动处理异构信息。具体来说，我们用以下两种方法隐式地表示异构信息：1）通过低维实体空间中的投影来模拟异构顶点之间的转换；2）然后，利用

异构社交网络语义用户搜索的子图增强路径嵌入语义用户搜索是异构社交网络中的一项重要任务。它的核心问题是测量网络中两个用户对象之间的接近度。最先进的解决方案通常采用基于路径的方法，该方法使用连接查询用户和目标用户的对象序列来测量它们的接近度。尽管他们成功了，我们断言路径作为低阶结构不足以捕捉两个用户之间丰富的语义。因此，本文引入了一个新的子图概念——语义用户搜索的增广路径。具体来说，我们考虑对从查询用户到目标用户的一组对象路径进行采样；然后，在每个对象路径中，我们用共享子图实例替换其每两个相邻用户之间的线性

异构信息网络中的图正则化平移分类摘要异构信息网络是由多种类型的对象和链接组成的网络。近年来，人们认识到强类型异构信息网络在现实世界中普遍存在。有时，标签信息可用于某些对象。从这些标记和未标记的数据中学习，通过归纳分类可以很好地提取隐藏网络结构的知识。然而，虽然对同质网络的分类研究已有几十年的历史，但对异质网络的分类却一直没有深入的研究。本文研究了共享同一主题的异构网络数据的传递分类问题。只有给定网络中的一些对象被标记，我们的目标是预测剩余对象的所有类型的标签。提出了一种新的基于图的正则化框架GN

从进化和异质网络中表征和预测社区成员摘要近年来，从web数据中挖掘不同类型的社区吸引了大量的研究工作。然而，现有的社区挖掘技术都没有考虑到web数据的动态性和异构性。在本文中，我们提出了从异构web数据的演化来表征和预测社区成员。我们首先提出一个分析异质网络演化的一般框架。然后，以从100万篇计算机科学论文中提取的学术网络为例说明了该框架。最后给出了该学术网络的两个应用实例。在一个真实的、非常大的异构学术网络上的实验结果表明，我们提出的框架能够在社区成员推荐方面取得很好的效果。同时，通过对群落演化模

摘要大量真实世界的图形或网络本质上是异构的，涉及到多种多样的节点类型和关系类型。异构图嵌入是将异构图丰富的结构和语义信息嵌入到低维节点表示中。现有模型通常在异构图中定义多个元路径，以捕获复合关系并指导邻居选择。然而，这些模型要么忽略节点内容特征，沿着元路径丢弃中间节点，要么只考虑一个元路径。为了解决这三个限制，我们提出了一个新的模型，称为元路径聚合图神经网络(MAGNN)，以提高最终的性能。具体来说，MAGNN使用三个主要组件，即封装输入节点属性的节点内容转换、包含中间语义节点的元路径内聚合以及组合来自多个

异构信息网络中的深层集合分类摘要在过去十年中，集体分类引起了相当大的关注，在这十年中，一组实例中的标签是相互关联的，应当集体推断，而不是独立地推断。传统的集体分类方法主要集中在开发简单的关系特征（例如计数和存在于相邻节点上的聚合器）。然而，许多现实应用程序涉及到实例之间的复杂依赖关系，这些依赖关系在网络中是模糊的/隐藏的。为了在集体分类中捕获这些依赖关系，我们需要超越简单的关系特性，并提取实例之间的深层依赖关系。本文研究了异构信息网络中的深层次集体分类问题，它涉及到不同类型的自相关，从简单到复杂的.

SHINE 一个用于特定领域实体与异构信息网络链接的通用框架摘要由多种类型的互联对象组成的异构信息网络正变得越来越流行，例如社交媒体网络和书目网络。在异构信息网络中，将从非结构化文本中检测到的命名实体提及与其对应的实体进行链接的任务对于信息网络群体问题具有重要的现实意义。由于网络中存在的名称模糊和知识有限，这项任务具有挑战性。大多数现有的实体链接方法侧重于将实体与维基百科链接，不能应用于我们的任务。在这篇文章中，我们提出了SHINE+，一个将网络自由文本中的命名实体与异构信息网络链接起来的通用框架。

预测多关系和异构网络中的链接摘要链接预测是网络分析中的一项重要任务，它有益于各个领域的研究人员和组织。现实世界中的许多网络，例如社交网络，是异构的，具有多种类型的链接和复杂的依赖结构。这种网络中的链路预测必须对异构关系之间传播的影响进行建模，以实现比同构网络更好的链路预测性能。在本文中，我们引入了多关系影响传播(MRIP)，一种新的异构网络概率方法。我们证明了MRIP对于预测稀疏网络中的链路是有用的，由于潜在链路的数量与实际形成的链路的数量严重不相称，这提出了重大挑战。我们还探索了一些可以为分类任务

基于分层关注和时间RNN的动态异构网络链路预测建模抽象。网络嵌入的目的是在获取网络结构信息的同时学习节点的低维表示。它在链路预测、节点分类等网络分析任务中取得了巨大的成功。现有的网络嵌入算法大多集中于如何有效地学习静态同构网络。然而，现实世界中的网络更复杂，例如，网络可以由几种类型的节点和边组成(称为异构信息)，并且可以根据动态节点和边随时间变化(称为进化模式)。动态异构网络的网络嵌入工作做得很有限，因为同时学习进化信息和异构信息具有挑战性。在本文中，我们提出了一种新的动态异构网络嵌入方法，称为DyHA