qq_36291847的博客

异构网络表示学习

文章目录摘要1 引言6 结论摘要在网络表示学习中，我们学习如何在低维空间中表示异构信息网络，以便于有效的搜索、分类和预测解决方案。以前的网络表示学习方法通常需要足够的任务特定的标记数据来解决特定领域的问题。训练后的模型通常不能转移到域外的数据集。我们提出了一种自监督的预训练和微调框架，PF-HIN，以捕获异构信息网络的特征。与传统的网络表示学习模型需要对每个下游任务和数据集重新训练整个模型不同，PF-HIN只需要对模型和少量额外的特定于任务的参数进行微调，从而提高模型的效率和有效性。在预训练过程中，我们

文章目录摘要1 引言摘要本文提出了一种新的异构信息网络表示学习框架，即HIN2Vec。该框架的核心是一个神经网络模型，也被称为HIN2Vec，旨在通过利用节点之间不同类型的关系捕获HINs中嵌入的丰富语义。给定HIN中以元路径形式指定的一组关系，HIN2Vec基于目标关系集联合进行多个预测训练任务，学习HIN中节点和元路径的潜在向量。除了模型设计之外，本文还讨论了HIN2Vec特有的几个问题，包括元路径向量的正则化、负抽样中的节点类型选择和随机游动中的循环。为了验证我们的想法，我们使用了4个大规模的真实

文章目录摘要1 引言2 相关工作2.1 网络嵌入2.2 HIN嵌入2.3 动态网络嵌入5 结论来源：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.

文章目录摘要1 引言2 相关工作2.1 图嵌入2.2 图神经网络34 HGNN-AC 框架4.1 概览本方法也可以看做是一种图结构学习方法摘要异构信息网络(Heterogeneous information network, HINs)又称异构图(Heterogeneous graph)，由多种类型的节点和边组成，信息丰富，语义丰富。图神经网络(GNN)作为一种强大的图数据分析工具，在网络分析方面表现出了优越的性能。近年来，人们提出了许多利用GNN处理异图数据的优秀模型，并取得了很大的成功。这些基于G

文章目录摘要1 引言2 异构图转换架构三级目录摘要近年来，图形神经网络在结构化数据建模方面取得了新的成功.但是大多数GNN都是为同构图设计的，其中所有的节点和边都属于同一类型，这使得表示异构结构不可行。在本文中，我们提出了异构图转换器(HGT)架构，用于建模网络规模（大规模）的异构图。为了对异质性进行建模，我们设计了依赖于节点和边类型的参数来表征每个边上的异质性注意，使HGT能够为不同类型的节点和边维护专用的表示。为了处理网络规模的图形数据，我们设计了异构的小批量图形采样算法——HGSampling——

文章目录摘要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，

文章目录摘要1 引言5 相关工作结论摘要套现欺诈是金融服务中主要的欺诈行为之一，是指用户通过非法或不诚实的手段来追求现金收益。现金用户检测的传统解决方案是对每个用户进行微妙的特征工程，然后应用分类器，如GDBT和神经网络。然而，金融服务中的用户具有丰富的交互关系，传统的解决方案很少能充分利用这种交互关系。本文以蚂蚁金服集团蚂蚁信用支付的真实数据集为研究对象，首先研究了套现用户的检测问题，提出了一种基于分层注意机制的套现用户检测模型HACUD。具体地说，我们利用属性异构信息网络(AHIN)对信用支付服务.

文章目录摘要1 引言2 相关定义3 提出的模型3.1 模型概览3.2 THINE模型5 相关工作动态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H.

文章目录摘要Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks摘要

对比学习文章目录摘要1 引言2 相关工作4 HeCo模型6 结论摘要异构图神经网络(HGNNs)作为一种新兴技术，在处理异构信息网络(HIN)方面表现出了卓越的能力。然而，大多数HGNN遵循半监督学习方式，这明显限制了它们在现实中的广泛使用，因为在实际应用中标签通常很少。近年来，对比学习作为一种自监督的学习方法，成为最令人兴奋的学习范式之一，并在没有标签的情况下显示出巨大的潜力。本文研究了自监督HGNN问题，提出了一种新的hgnn共对比学习机制，命名为HeCo。不同于传统的对比学习只关注正面和负面样.

文章目录摘要1 引言2 相关工作双曲空间 异构网络嵌入摘要异构信息网络(HIN)嵌入是一种将HIN映射到低维空间的技术，引起了广泛的研究。现有的HIN嵌入方法大都关注于在欧氏空间中保持固有的网络结构和语义关联。然而，一个基本问题是，欧几里得空间是HIN的合适空间还是内在等距空间?最近的研究认为，复杂网络可能具有双曲几何结构，因为双曲几何可以自然地反映复杂网络的一些性质，如层次结构和幂律结构。本文首先对双曲空间中的HIN嵌入进行了研究。我们分析了两个真实世界的HIN的结构，发现HIN也存在幂律分.

文章目录摘要1 引言基础知识总结论文链接：Cash-Out User Detection Based on Attributed Heterogeneous Information Network with a Hierarchical Attention Mechanism论文作者：北京邮电大学胡斌斌等人摘要套现欺诈是金融服务中主要的欺诈行为之一，是指使用者通过非法或不诚实的手段谋取现金利益。传统的现金用户检测方法是对每个用户进行细微的特征工程，然后应用分类器，如GDBT和神经网络。然而，金融服.

这里写目录标题摘要摘要在移动电子商务普及的今天，一种新型的推荐服务，即意向推荐，被广泛应用于淘宝、亚马逊等移动电子商务app中。不同于传统的查询推荐和项目推荐，意图推荐是用户打开App时，无需输入任何信息，根据用户的历史行为自动推荐用户意图。意图推荐在过去两年中非常流行，因为可以揭示用户的潜在意图，避免繁琐的手机输入。工业上使用的现有方法通常需要劳动特征工程。而且，仅利用用户和查询的属性和统计信息，没有充分利用意图推荐中丰富的交互信息，可能导致性能有限。在本文中，我们提出将意图推荐中的复杂对象和丰富的交

文章目录摘要1 引言摘要近年来出现了大量基于异构信息网络(HIN)的推荐系统，因为HIN能够描述复杂的图并包含丰富的语义。现有的方法虽然取得了性能的提高，但在实际应用中仍然面临以下问题。一方面，大多数现有的基于HIN的方法依赖于显式路径可达性来利用用户和物品之间基于路径的语义相关性，例如，基于元路径的相似性。这些方法很难使用和集成，因为路径连接是稀疏的或有噪声的，并且往往是长度不同。另一方面，其他基于图的方法旨在学习有效的异构网络表示，在预测前将节点及其邻域信息压缩成单个嵌入。这种建模中的弱耦合方式忽略

文章目录摘要1 引言论文题目：论文作者：来源：摘要随着网络嵌入技术的飞速发展，推荐算法的发展也日趋成熟。然而，网站上的用户-物品交互(即明确的偏好)的稀少仍然是预测用户行为的一大挑战。虽然已经在利用一些辅助信息(如用户间的社会关系)来解决问题上做了一些研究，但现有的丰富的异质辅助关系仍然没有得到充分的开发。此外，以往的工作依赖于线性组合正则化器，存在参数整定问题。在本文中，我们从常见的用户行为和商品信息中收集了丰富的关系，并提出了一个新的框架IntentGC，通过图卷积网络来利用显性偏好和异构关系

文章目录摘要1 引言因此，需要一个能够利用KG嵌入技术来学习特定于任务的节点和关系嵌入的框架。在本文中，我们提出了一个新的多关系图GCN框架，该框架系统地利用了知识图嵌入技术中的实体-关系组合操作。通过联合学习图中节点和关系的向量表示，COMPGCN解决了以前提出的GCN模型的缺点。图1给出了COMPGCN的概述。我们工作的贡献可总结如下:7 结论摘要图卷积网络(GCNs)最近被证明在建模图结构数据方面非常成功。然而，主要的焦点是处理简单的无向图。多关系图是一种更一般和普遍的图形式，其中每条边都有一个标

文章目录摘要1 引言三级目录摘要图卷积网络(GCN)在学习图形中节点的有效任务特定表示方面取得了非凡的成功。然而，对于异构信息网络(HIN)，现有的面向HIN的GCN方法仍然存在两个不足:(1)不能灵活地探索所有可能的元路径，并提取出目标对象中最有用的元路径，从而影响了有效性和可解释性;(2)通常需要生成基于中间元路径的稠密图，计算复杂度较高。 为了解决上述问题，我们提出了一种可解释的高效异构图卷积网络(ie-HGCN)来学习HIN中的对象表示。它被设计为分层聚合体系结构，即首先是对象级聚合，然后是类型

具有不同类型节点和边的异构图普遍存在，在许多应用中具有巨大的应用价值。现有的异构图建模工作通常采用将异构图分解为多个同构子图的思想。在大规模多关系图中，利用不同类型边之间隐藏的丰富语义关联是无效的。本文提出了一种基于关系结构感知的异构图神经网络(RSHN)，它将图及其粗线图集成在一起，在不需要元路径等任何先验知识的情况下将节点和边嵌入到异构图中。为了解决边缘连接的异质性问题，RSHN首先创建了一个粗线图神经网络(CL-GNN)，基于粗线图挖掘基于不同类型边缘潜在关联的以边为中心的关系结构特征。然后，使用异构

文章目录摘要1引言2 相关工作3 相关概念4 分类论文链接：A survey on heterogeneous network representation learning论文作者：来自山西大学和西安电子科技大学的同学来源：Pattern Recognition（计算机科学1区Top）摘要异构信息网络通常包含不同类型的节点和不同类型的关系，可以比同构信息网络保存更多的信息。异构网络表示学习试图为每个节点学习一个低维表示，并获取给定网络的丰富语义信息。现有的研究大多集中在异构信息网络分析和同质信息

文章目录一级目录二级目录三级目录论文链接：作者:一级目录二级目录三级目录

文章目录摘要1 引言2 相关工作3 相关定义论文题目：基于元路径的高阶异构图卷积网络论文作者：摘要图卷积网络是一种有效的图表示学习方法。元路径连接不同类型的节点，被广泛用于表示异构图中的各种语义。受此启发，我们设计了一种基于元路径的高阶异构图卷积网络。它不仅选择了一些元路径，而且还捕获了具有重要的高阶关系(如公共关系)的高阶元路径。此外，还提出了一种基于高阶元路径的邻接矩阵计算方法和一种新颖的异构图卷积网络来生成节点嵌入。在每个消息传递步骤中，它线性地聚合来自高阶元路径邻居的信息。计算复杂度分析表明

文章目录摘要1 引言三级目录论文链接：Metagraph Neural Network for Semi-supervised learning in Attributed Heterogeneous Information Networks来源：ASONAM 2019摘要异构信息网络由不同类型的节点组成，这些节点通过不同的语义关系相互连接。在许多实际应用中，信息网络中的节点经常与附加属性相关联，从而产生了属性HINs(或AHINs)。本文研究了在有限监督条件下，基于节点结构、节点类型和属性对节点进

这里写目录标题一级目录二级目录三级目录一级目录二级目录三级目录异构信息网络(HIN)嵌入由于能够有效地处理复杂的异构数据而引起了人们的广泛关注。元路径是连接具有不同语义的不同对象类型的路径，广泛应用于现有的HIN嵌入工作中。然而，到目前为止，有几个挑战还没有得到解决。首先，不同的元路径具有不同的语义含义，而现有的研究假设所有节点的元路径权重相同，忽略了不同元路径下不同节点的个性化偏好。第二，给定一个元路径，HIN中的节点是通过路径实例连接的，而现有的工作未能充分探索反映节点在这些语义空间偏好的路径实

这里写目录标题摘要1 引言2 定义2.12.2 HG嵌入的异构性挑战三级目录摘要异构图(HGs)又称异构信息网络，在现实世界中无处不在;因此，HG嵌入的目的是在低维空间学习表示，同时保留下游任务的异构结构和语义(如节点/图分类、节点聚类、链接预测)，近年来受到了相当大的关注。本文就异构图嵌入方法和技巧的研究进展进行综述。我们首先介绍了HG方法进行了详细的介绍，并进一步分析了其优缺点;同时，我们也首次探索了不同类型HG嵌入方法在现实工业环境中的转换性和适用性。此外，我们进一步介绍了几个广泛部署的系统，这些

https://blog.youkuaiyun.com/byn12345/article/details/105362863

文章目录摘要二级目录三级目录来源：IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING作者：来自北京邮电大学的石川等人摘要大多数真实的系统由大量相互作用的、多类型的组件组成，而大多数当代研究将它们建模为同质信息网络，没有区分网络中不同类型的对象和链接。近年来，越来越多的研究人员开始将这些互联的、多类型的数据视为异构的信息网络，并通过利用网络中对象和链接的结构类型的丰富语义来开发结构分析方法。与被广泛研究的同构信息网络相比，异构信息网络包含了更丰富的结

文章目录摘要二级目录三级目录作者：微软研究院、加州大学、清华大学摘要表示学习为各种人工智能领域提供了革命性的学习范式。在本研究中，我们研究和回顾了表征学习的问题，重点关注由不同类型的顶点和关系组成的异构网络。该问题的目标是将输入异构网络中的对象(最常见的是顶点)自动投影到潜在的嵌入空间中，以便对网络的结构和关系属性进行编码和保存。这些嵌入(表示)可以作为机器学习算法的特征来处理相应的网络任务。目前关于表达性嵌入学习的研究主要分为两大类:浅嵌入学习和图神经网络。在对现有文献进行彻底的回顾后，我们确定了几

文章目录摘要二级目录三级目录论文链接：代码链接：关键词：图结构学习摘要本文提出了一种端到端图学习框架，即迭代深度图学习(IDGL)，用于联合迭代学习图结构和图嵌入。IDGL的关键原理是基于更好的节点嵌入来学习更好的图结构，反之亦然(即基于更好的图结构来学习更好的节点嵌入)。当学习到的图结构足够接近为下游预测任务优化的图时，我们的迭代方法会动态停止。此外，我们将图学习问题作为一个相似度度量学习问题，并利用自适应图正则化来控制学习图的质量。最后，结合锚定逼近技术，我们进一步提出了IDGL的可扩展版本.

文章目录摘要1 引言23 AM-GCN3.1 特定卷积模块3.2 共同卷积模块三级目录论文链接：论文代码：作者：北京邮电大学等人摘要图卷积网络(GCNs)在处理各种关于图和网络数据的分析任务中得到了广泛的应用。然而，最近的一些研究提出了关于GCNs能否在具有丰富信息的复杂图中最优地整合节点特征和拓扑结构的担忧。在本文中，我们首先进行了实验研究。令人惊讶的是，我们的实验结果清楚地表明，最先进的GCNs在融合节点特征和拓扑结构方面的能力远未达到最优，甚至令人满意。这一缺陷可能会严重阻碍GCNs在某些分

文章目录摘要1 引言2 相关工作3 我们的方法3.1 保留成对邻近性3.2 保留网络架构邻近性网络架构实例抽样网络模式实例采样多任务学习保留模式摘要随着异构网络的日益普及，异构信息网络(HIN)嵌入技术在保持异构结构的同时将节点投射到低维空间中，近年来受到越来越多的关注。现有的许多HIN嵌入方法采用元路径引导的随机游走，以保持不同类型节点之间的语义和结构相关性。然而，元路径的选择仍然是一个有待解决的问题，它要么依赖于领域知识，要么依赖于标签信息。作为HIN的统一蓝图，网络模式包含了全面的高阶结构和丰富的

文章目录摘要1 引言2 异构图结构注意神经网络（HetSANN）摘要本文主要研究异构信息网络(HIN)的图表示学习，HIN中各种类型的顶点由各种类型的关系连接。目前在HIN上进行的大多数方法都是通过元路径修改同构图嵌入模型，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)，该网络不需要元路径就能直接对HIN的结构信息进行编码，从而实现更多的信息表示。该方法不需要领域专家设计元路径方案，能够自动处理异构信息。具体而言，我们采用以下两种方法隐式表示异构信息:通过低维实

文章目录摘要二级目录三级目录摘要短文本分类是自然语言处理、社会网络分析和电子商务中的一个基本问题。短文本序列结构的缺乏限制了目前流行的基于深度学习的NLP方法的成功。依赖单词袋表示的更简单的方法往往与复杂的深度学习方法表现相当。为了解决短文本文本特征的局限性，我们提出了一种图正则化图卷积网络(GR-GCN)，该网络通过在输出空间中加入标签依赖来扩充图卷积网络。我们的模型在专有和外部数据集上都获得了最先进的结果，比一些基准方法的性能高出6%。此外，我们还表明，与基线方法相比，GR-GCN对文本特征中的噪声

文章目录摘要1 引言3 所提方法：HeGAN论文链接：Adversarial Learning on Heterogeneous Information Networks作者：北京邮电大学胡斌斌等人摘要网络嵌入是分析异构信息网络(HIN)的一种常用方法，其目的是在低维空间中表示网络数据。现有的HIN嵌入方法虽然在一定程度上提高了性能，但仍然存在一些主要的不足。最重要的是，它们通常采用负采样从网络中随机选取节点，并且不学习底层分布以获得更稳健的嵌入。受生成对抗网络(GAN)的启发，我们开发了一种新的H

Graph Neural Networks: a review of methods and applications文章目录Graph Neural Networks: a review of methods and applications摘要1 引言两个动机2 模型2.1 GNN2.2 GNN变体2.2.1 图类型2.2.2 传播类型2.2.3 训练方法一级标题二级标题三级标题四级标题五级标题六级标题摘要大量的学习任务需要处理含有丰富元素间关系信息的图数据。物理系统建模，学习分子指纹，预测蛋白质

文章目录摘要二级目录三级目录论文链接：代码链接：作者：北京邮电大学等人摘要异构图神经网络近年来受到越来越多的关注，并在许多任务中取得了优异的性能。现有人类神经网络的成功依赖于一个基本假设，即原始的异构图结构是可靠的。然而，这种假设通常是不现实的，因为现实中的异构图不可避免地会有噪声或不完整。因此，学习异构图结构对于人类神经网络而言至关重要，而不是仅仅依赖原始图结构。鉴于此，我们首次尝试为神经网络学习一个最优的异构图结构，并提出了一个新的框架HGSL，它联合执行异构图结构学习和GNN参数学习进行分类

这里写目录标题摘要1 引言2 相关工作3 模型3.1 基本定义3.2 元路径生成3.2.1 GT层三级目录摘要图神经网络（GNNs）已广泛应用于图的表示学习，并在节点分类和链路预测等任务中取得了最先进的性能。然而，大多数现有的GNNs的设计目的是学习固定和同构图上的节点表示。当在一个错误图上或有各种类型的节点和边组成的异构图上的表示时，这些限制尤其成问题。在本文中，我们提出能够生成新的图结构的图Transformer网络(GTNs)，它包括识别原始图上未连接节点之间的有用连接，同时以端到端方式学习新图上

文章目录摘要引言问题定义3 HetGNN3.1 采样异构邻居3.2二级目录三级目录【注】本篇文章与HAN于同年先后提出，可结合看。摘要异构图中的表示学习旨在为每个节点追求有意义的向量表示，为链接预测、个性化推荐、节点分类等下游应用提供便利。然而，这项任务具有挑战性，不仅因为需要合并由多种类型的节点和边组成的异构结构(图)信息，而且还因为需要考虑异构属性或内容(e.д。，文本或图像)与每个节点关联。虽然在同质(或异构)图嵌入、属性图嵌入以及图神经网络等方面已经做了大量的研究，但很少有研究能够有效地结合考

Graph Convolutional Networks for Text Classification文章目录摘要1 引言2 相关工作3 方法4 实验5 结论与未来工作二级目录三级目录摘要文本分类是自然语言处理中的一个重要的经典问题。已有许多研究将卷积神经网络(在规则网格上的卷积，如序列)应用于分类。然而，只有为数不多的研究探索了更为灵活的图卷积神经网络(非网格上的卷积，如任意图)来完成这项任务。在这项工作中，我们建议使用图卷积网络进行文本分类。基于词的共现和文档词的关系，为语料库构建单一的文本图，

用于文档摘要提取的异构图神经网络文章目录摘要1 引言2 相关工作3 方法3.1 文档作为异构图3.2 图的初始化3.3 异构图层3.4 句子选择器3.5 多文档摘要4 实验5 结果及分析6 结论摘要    摘要跨句关系的学习是文本摘要抽取的关键步骤，目前已有大量的研究方法。一种直观的方法是将它们放入基于图形的神经网络中，该网络具有捕获句子间关系的更复杂的结构。本文提出了一种基于异质图的神经网络用于提取摘要(HETERSUMGRAPH)，该网络除了包含句子外，还包含不同粒度层次的语义