1. 基于層次聚合和關系度量學習的樹結構感知圖表示學習

Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning

Ziyue Qiao, Pengyang Wang, Yanjie Fu, Yi Du, Pengfei Wang, Yuanchun Zhou

盡管圖神經網絡（GNN）在學習homogeneous 圖的節點表示方面顯示出優勢，但在異構圖上利用GNN仍然是一個具有挑戰性的問題。主要原因是GNN通過聚集鄰居信息而不考慮節點類型來學習節點表示。目前已經提出了一些工作來緩解這種問題，方法是利用關系或元路徑對具有不同類別的鄰居進行采樣，然后使用注意力機制來了解不同類別的重要性。然而，一個局限性在于，學習到的用于不同類型節點的表示應具有不同的特征空間，而上述所有工作仍將節點表示投影到一個特征空間中。此外，在研究了大量的異構圖之后，我們發現了一個事實，即具有相同類型的多個節點始終連接到具有另一類型的節點，這揭示了多對一的架構（也稱為分層樹結構）。但是上述所有工作都不能保留這種樹結構，因為從鄰居到目標節點的多跳關系會被聚合過程消除。因此，為克服文獻的局限性，我們提出了T-GNN，這是一種用于樹結構表示的圖表示學習的樹結構感知圖神經網絡模型。具體而言，提出的T-GNN由兩個模塊組成：（1）集成的層次聚合模塊和（2）關系度量學習模塊。集成的層次聚合模塊旨在通過將GNN與GRU相結合將樹層次結構和順序鄰域信息集成到節點表示中來保留樹結構。關系度量學習模塊旨在通過將每種類型的節點嵌入到基于相似性度量具有不同分布的特定于類型的空間中來保留異質性。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯 本站qq群851320808，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【论文解读】ICDM2020 | 挖掘异构图中的层级结构的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。