概
本文介绍了异构图的一种无监督学习方法. 这里大体只贴一下异构图的概念, 本文的方法不会讲.
异构图
-
\(\mathcal{G} = (\mathcal{V, E})\), 图;
-
\(\phi: \mathcal{V} \rightarrow \mathcal{T}\), \(\phi(v)\) 返回结点 \(v\) 所属的类别, 如上图所示, 存在三种类型的结点 (即 \(|\mathcal{T}|=3\)): Author, Subject, Paper;
-
\(\psi: \mathcal{E} \rightarrow \mathcal{R}\), \(\psi(e)\) 返回边 \(e\) 所属的类别, 如上图所示, 存在两种类型的边 (即 \(|\mathcal{R}| = 2\)): Write, Belong-to;
-
显然, 一个图当且仅当 \(|\mathcal{T}| + |\mathcal{R}| > 2\) 的时候, 这个图才是异构图.
-
Meta-Path: Meta-Path 指的就是由一种结点类型到另一种结点类型的路径:
\[T_1 \mathop{\longrightarrow} \limits^{R_1} T_2 \mathop{\longrightarrow} \limits^{R_2} \cdots \mathop{\longrightarrow} \limits^{R_l} T_{l+1}, \]比如上图中, Paper-Author-Paper, Paper-Subject-Paper 都算是 meta-path. 需要注意的是, 在该论文的老的版本中, 并没有很准确的定义好 meta-path (其认为是结点到另一结点的路径即为 Meta-Path).
-
我们称结点 \(v_i, v_j\) 关于 meta-path \(\Phi\) 是相邻的, 若存在一路径为该 meta-path 的实例且连接这两个结点.
-
基于 \(\Phi\) 我们也可以推导出 meta-path based adjacency matrix \(A^{\Phi}\), 其中 \(A_{ij}^{\Phi} = 1\) 当且仅当 \(v_i, v_j\) 关于 \(\Phi\) 是相邻的.
本文方法
代码
- Heterogeneous Infomax Graph Deepheterogeneous infomax graph deep heterogeneous attention network graph infomax heterogeneous recommendation heterogeneous preference learning heterogeneous correlation attention ncrypted heterogeneous federated learning yourself representation heterogeneous attributed multiplex heterogeneous computing parallel cuda heterogeneous association optimized computing