1. 基于層次聚合和關(guān)系度量學(xué)習(xí)的樹結(jié)構(gòu)感知圖表示學(xué)習(xí)

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(jīng)網(wǎng)絡(luò)（GNN）在學(xué)習(xí)homogeneous 圖的節(jié)點(diǎn)表示方面顯示出優(yōu)勢，但在異構(gòu)圖上利用GNN仍然是一個(gè)具有挑戰(zhàn)性的問題。主要原因是GNN通過聚集鄰居信息而不考慮節(jié)點(diǎn)類型來學(xué)習(xí)節(jié)點(diǎn)表示。目前已經(jīng)提出了一些工作來緩解這種問題，方法是利用關(guān)系或元路徑對(duì)具有不同類別的鄰居進(jìn)行采樣，然后使用注意力機(jī)制來了解不同類別的重要性。然而，一個(gè)局限性在于，學(xué)習(xí)到的用于不同類型節(jié)點(diǎn)的表示應(yīng)具有不同的特征空間，而上述所有工作仍將節(jié)點(diǎn)表示投影到一個(gè)特征空間中。此外，在研究了大量的異構(gòu)圖之后，我們發(fā)現(xiàn)了一個(gè)事實(shí)，即具有相同類型的多個(gè)節(jié)點(diǎn)始終連接到具有另一類型的節(jié)點(diǎn)，這揭示了多對(duì)一的架構(gòu)（也稱為分層樹結(jié)構(gòu)）。但是上述所有工作都不能保留這種樹結(jié)構(gòu)，因?yàn)閺泥従拥侥繕?biāo)節(jié)點(diǎn)的多跳關(guān)系會(huì)被聚合過程消除。因此，為克服文獻(xiàn)的局限性，我們提出了T-GNN，這是一種用于樹結(jié)構(gòu)表示的圖表示學(xué)習(xí)的樹結(jié)構(gòu)感知圖神經(jīng)網(wǎng)絡(luò)模型。具體而言，提出的T-GNN由兩個(gè)模塊組成：（1）集成的層次聚合模塊和（2）關(guān)系度量學(xué)習(xí)模塊。集成的層次聚合模塊旨在通過將GNN與GRU相結(jié)合將樹層次結(jié)構(gòu)和順序鄰域信息集成到節(jié)點(diǎn)表示中來保留樹結(jié)構(gòu)。關(guān)系度量學(xué)習(xí)模塊旨在通過將每種類型的節(jié)點(diǎn)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(zhì)性。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯 本站qq群851320808，加入微信群請(qǐng)掃碼：

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。