【论文解读|IJCAI2021】THINE - Temporal Heterogeneous Information Network Embedding 时域异构信息网络嵌入

最新动态异构网络嵌入模型
动态HIN Hawkes过程

摘要

异构信息网络(HIN)的嵌入，学习多类型节点的低维表示，得到了广泛的应用，并取得了良好的性能。然而，以往的工作大多侧重于静态HINs或特定快照内的学习节点嵌入，很少关注整个演化过程和捕获所有动态。为了弥补多类型节点嵌入在演化过程中考虑所有时间动态的不足，提出了一种新的时域HIN嵌入方法(THINE)。THINE不仅使用注意机制和元路径来保存HIN中的结构和语义，而且结合Hawkes过程来模拟时间网络的演化。我们对各种真实世界时间HINs的广泛评估表明，在静态和动态任务中，包括节点分类、链接预测和时间链接推荐，THINE都实现了SOTA性能。

1 引言

近年来，网络嵌入以其优异的性能受到越来越多的关注。它将节点映射到低维空间，同时保留网络的特征和结构。Deepwalk [Perozzi et al.， 2014]、LINE [Tang et al.， 2015b]等许多优秀算法已成功应用于各种网络相关任务中，如节点分类、节点聚类、链路预测等。
然而，这些方法都侧重于同质网络，而现实世界中的大多数数据都是具有多种类型节点和关系的异构信息网络(HINs)。例如，一个学术网络一般有三种类型的节点:作者(A)，论文§，会议©;以及多种类型的关系:合著关系、参考文献关系、作者与论文的写/写关系、论文与会议的发表/发表关系。在HIN中，不