DyHNE-Dynamic Heterogeneous Information Network Embedding with Meta-path based Proximity

来源：IEEE Trans2020
作者：北邮陆元福等人

摘要

异构信息网络(HIN)嵌入的目的是学习节点的低维表示，同时保持HIN中的结构和语义。现有的方法主要集中在静态网络上，而一个真正的HIN通常会随着时间的推移而增加(删除)多种类型的节点和边。由于一个微小的变化都会影响到整个结构和语义，传统的HIN嵌入方法需要重新训练才能得到更新的嵌入，这既耗时又不现实。本文研究了动态HIN嵌入问题，提出了一种基于元路径邻近性的动态HIN嵌入模型(DyHNE)。具体来说，我们引入了基于元路径的一阶和二阶近似来保持HINs的结构和语义。随着HIN随时间的发展，我们自然地捕捉随着元路径增广邻接矩阵的扰动而发生的变化。然后，我们通过求解广义特征值问题来有效地学习节点嵌入，并利用特征值扰动在无需重新训练的情况下高效地推导出更新的嵌入。实验表明，DyHNE在有效性和效率方面超越了最先进的技术。
关键词：动态异构信息网络，网络嵌入，社会网络分析

1 引言

(HIN)揭示了网络(图)数据的分析，网络(图)数据由各种类型的边[1]连接的多种类型的节点组成。例如，DBLP网络有四种类型的节点:Author (A)， Paper §， Conference ©和Term (T);以及多种类型的关系:作者与论文的写作关系、论文与会议的出版/出版关系等。此外，在HINs[2]中，描述节点之间复合关系的元路径被广泛用于利用丰富的语义。在DBLP中，meta-path APA表示合著关系，APCPA表示两位作者在同一个会议上发表论文。因此，HIN包含着复杂的结构和语义，研究HIN对于实际应用具有重要意义。
近年来，HIN嵌入作为一种很有前景的HIN分析方法引起了人们的广泛关注。它的目的是在保持HIN结构和语义信息的同时学习节点的低维表示，从而使各种下游应用，如节点分类[5]和链路预测[6]，[7]，都能受益于HIN的嵌入。提出了几种HIN嵌入方法。例如，基于随机漫步的方法[8]、[9]，基于分解的方法[10]、[11]、[12]，基于深度神经网络的方法[7]、[13]、[14]以及一些特定任务的方法[15]、[16]。然而，所有这些方法都是为静态HINs设计的，也就是说，结构和语义不会随着时间而改变。在现实中，HIN通常随着各种类型的节点和边的演化，例如新添加(删除)的节点或边，表现出高度的动态性。此外，动态HIN中节点和边的变化可能因类型而异。仍然以DBLP为例，一个导师与不同的学生就不同的论文进行合作