【论文解读 | AAAI2021】Embedding Heterogeneous Networks into Hyperbolic Space Without Meta-path

双曲空间 不需要元路径
另一篇双曲空间 HHNE

摘要

在现实世界中发现的网络是众多而多变的。网络的一种常见类型是异构网络，其中的节点(和边)可以是不同类型的。因此，人们一直在努力学习这些异构网络在低维空间中的表示。然而，现有的异构网络嵌入方法大多存在以下两个缺点:(1)目标空间通常是欧氏空间。相反，最近的许多研究表明，复杂网络可能具有非欧几里得的双曲潜解剖结构。(2)这些方法通常依赖于元路径，而元路径选择需要特定领域的先验知识。此外，同一网络上不同的下行流任务可能需要不同的元路径来生成特定于任务的嵌入。本文提出了一种新的自引导随机游走方法，该方法不需要元路径将异构网络嵌入到双曲空间中。我们对两个公共数据集上的网络重建和链路预测任务进行了深入的实验，表明我们的模型在所有任务中都优于各种已知的基线。

1 引言

近几十年来，研究人员可以获得的网络数据越来越多。通过将网络结构编码成低维嵌入，研究者无需借助特征工程就可以挖掘和建模网络。
在自然语言处理领域，基于相同上下文中的共现(类似于图中的局部邻近)为单词生成低维嵌入已经有很长的历史了。使用语言模型嵌入网络是由Perozzi等人在他们的作品DeepWalk中首次提出的(Perozzi, Al-Rfou, and Skiena 2014)。采用随机游走从网络中生成节点上下文，然后将其作为句子输入Skip-Gram模型(Mikolov et al. 2013)。这样，网络中相似的节点将具有相似的上下文，从而具有相互接近的相关嵌入。Grover等人提出了DeepWalk的一个扩展，称为node2vec (Grover and Leskovec 2016)，通过平滑地interpo宽度优先和深度优先采样，从而结合了不同的节点等价观点。
在这两篇开创性的论文之后，针对不同类型网络的表征学习的研究出现了爆炸式增长。一种划分先验工作的方法是对同质网络和异构网络的嵌入方法进行分离。同构网络只包含一种类型的节点。另一方面，异构网络有两种或更多类型的节点。例如，所有节点都是论文，所有边对应的引文都是齐次的引文网络。但是，如果我们将网络扩展到包括作者和场所作为节点，那么它就变成了一个异构网络。在这个网络中，边代表不同的关系。例如，作者到作者的边表示协作，而作者到论文的边表示作者身份等等。
不同的异构网络嵌入方法已经被提出(参见for instance, Dong, Chawla, and Swami 2017;Fu, Lee, Lei 2017;Hussein, Yang, Cudré-Mauroux 2018;他等人2019;Shi et al. 2018a;唐曲梅2015;Shi et al. 2018b;Wang, Zhang, and Shi 2019)。然而，据我们所知，除HHNE (Wang, Zhang, and Shi 2019)外，所有提出的方法都将异构网络嵌入到欧氏空间。本文提出了一种新的双曲空间异构网络嵌入方法。

双曲空间和欧几里德空间都可以保留某些性质，例如当使用保角变换时，两个向量之间的角度。然而，与欧几里德空间相比，双曲空间有两个主要优点。首先，