｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2024,3,28]，“date-time”：“2024-03-28T04:40:25Z”，“timestamp”：1711600825981｝，“reference count”：43，“publisher”：“Association for Computing Machinery（ACM）”，“issue”：“1”，“funder”：[｛“name”：“阿里巴巴创新研究（AIR）计划”｝，｛“name”：“新加坡总理府国家研究基金会卓越研究与科技企业（CREATE）计划”，{“DOI”：“10.13039\/501100012659”，“name”：“中国国家自然科学基金会”，“DOI由”断言：“出版商”，“奖项”：[“617720826180602061702296”]，“id”：[{“id”：“10.13039\/501100012659”，“id-type”：“DOI”，“asserted-by”：“publisher”}]}，{“name”：“中国国家重点研发计划”，“adward”：[“2018YFB1402600”]}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[”acm Trans.Knowl.Discov.Data“]，“published-print”:{“date-parts”：[2021,2,28]]}摘要“：”在实际问题中，异构实体往往通过多重交互相互关联，形成异构交互图（HIG）。在对HIG进行建模以处理基本任务的同时，图形神经网络提供了一个诱人的机会，它可以通过聚合和传播来自不同类型社区的信息来充分利用异构性和丰富的语义信息。然而，在这种复杂的图上学习，通常包含数百万或数十亿个节点、边和各种属性，可能会带来昂贵的时间成本和高内存消耗。在本文中，我们尝试通过以批处理的方式采用异构邻域的重要性采样来加速大规模HIG的表示学习，这自然适合大多数基于批的优化。与传统的忽略节点和边的语义类型的同构策略不同，为了处理HIG中丰富的异构语义，我们设计了类型依赖和类型融合采样器，前者分别对每种类型的邻域进行采样，后者联合对所有类型的候选对象进行采样。此外，为了克服下采样信息和原始信息之间的不平衡，我们分别提出了包括自归一化估计和自适应估计在内的异构估计，以提高采样策略的鲁棒性<\/jats:p>\n最后，我们分别在五个真实数据集上评估了我们的节点分类和链接预测模型的性能。实验结果表明，我们的方法明显优于其他最先进的替代方法，能够将计算中的边数最多减少93%，内存成本最多减少92%，时间成本最多减少86%<\/jats:p>“，”DOI“：”10.1145\/3418684“，”type“：”journal-article“，”created“：{”date-parts“：[[2020,12,7]]，”date-time“：”2020-12-07T19:04:16Z“，”timestamp“：1607367856000}，”page“：“标题”：[“通过重要性抽样加速大规模异构交互图嵌入学习“]，“前缀”：“10.1145”，“卷”：“15”，“作者”：[{“给定”：“玉刚”，“家庭”：“吉”，“序列”：“第一”，“隶属关系”：[}“名称”：“北京邮电大学，中国北京”}]}，{“已知”：“明阳”，“家族”：“阴”，“顺序”：“additional“，”affiliation“：[{“name”：“阿里巴巴集团，杭州，中国”}]}，{“given”：“Hongxia”，“family”：“Yang”，“sequence”：“additional”，“affiliation:[{”name“：”阿里巴巴集团（杭州，中国）}]}.，{”givent“：”Jingren“，”family“：”Zhou“，”sequence“：”additionalsequence“：”additional“，”affiliation“：[{”name“：”Advanced Digital Sciences Center，Singapore，Singap“}]}，{”given“：”Chuan“，”family“：”Shi“，”sequence”：“additional”，“affiliance”：[{“name”：“Beijing University of Posts and Telecommunications，China”}]，{“given”：“Yuan”，“family”：“Fang”，“sequence（序列）：”additive“，”filiation新加坡维多利亚街新加坡管理大学“}]}]，“成员”：“320”，“在线发布”：{“日期-部分”：[[2020,12,7]]}，“参考”：[{“密钥”：“e_1_2_1_1”，“卷时间”：“通过分布重要性抽样减少SGD方差。arXiv预印本arXiv:1511.06481”，“作者”：“Alain Guillaume”，“年份”：“2015”，“非结构化”：“纪尧姆·阿兰（Guillaume Alain）、亚历克斯·兰姆（Alex Lamb）、钦纳杜拉伊·桑卡尔（Chinnadhurai Sankar）、亚伦·库维尔（Aaron Courville）和约舒亚·本吉奥（Yoshua Bengio）。2015年，通过分布重要性抽样减少SGD方差。arXiv预印本arXiv:1511.06481（2015）。纪尧姆·阿兰（Guillaume Alain）、亚历克斯·兰姆（Alex Lamb）、钦纳杜拉伊·桑卡尔（Chinnadhurai Sankar）、亚伦·库维尔（Aaron Courville）和约舒亚·本吉奥（Yoshua Bengio）。2015年，通过分布重要性抽样减少SGD方差。arXiv预印本arXiv:1511.06481（2015）。“}，{”key“：”e_1_1_2_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.meth.2017.06.036“}、{”key“：“e_2_1_3_1”、“doi-assert-by”：“publisher”，“doi”：“10.1109\/TKDE.2018.2807452”}，“key”：“e_ 2_4_1”，}，{“键”：“e_1_1_5_1”，“卷时间”：“第六届学习表现国际会议记录。“，”作者“：”陈杰“，”年份“：”2018年“，”非结构化“：”陈杰、马腾飞、曹晓。2018 . FastGCN：通过重要性抽样使用图卷积网络进行快速学习。第六届学习表现国际会议论文集。检索自https:\/\/openreview.net\/forum？id=rytstxWAW。陈杰、马腾飞和曹晓。2018.FastGCN：通过重要性抽样，利用图卷积网络快速学习。第六届学习表现国际会议论文集。检索自https:\/\/openreview.net\/forum？id=rytstxWAW。“}，{”key“：”e_1_1_6_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3159652.3159695”}，“key”：“e_2_1_7_1”，“article-title”：“小批次重要性抽样”，“数量”：“19”，“作者”：“Csiba Dominik”，“年份”：“2018”，“非结构化”：“Dominik Csiba和Peter Richt\u00e1rik。2018 . 小型批次的重要性抽样。《机器学习研究杂志》19（2018），27:1-27:21。检索自http://\/jmlr.org\/papers\/v19\/16-241.html。Dominik Csiba和Peter Richt\u00e1rik。2018年，小批量重要抽样。《机器学习研究杂志》19（2018），27:1-27:21。检索自http://\/jmlr.org\/papers\/v19\/16-241.html。“，”journal-title“：”journal of Machine Learning Research“}，{“key”：“e_1_2_1_8_1”，“volume-title”：“Proceedings of the Advances in Neural Information Processing Systems.3837-3845”，“author”：“Defferrard Micha\u00ebl”，“year”：“2016”，“unstructured”：“Micha\u00ebl Defferrard、Xavier Bresson和Pierre Vandergheynst。2016 . 图上的卷积神经网络具有快速局部化谱滤波功能。神经信息处理系统进展论文集。3837--3845 . 检索自http://\/papers.nips.cc\/paper\/6081-convolutional-neural-networks-on-graphs-with-fast-localized-spectral-filtering.Micha\u00ebl-Defferrard、Xavier-Bresson和Pierre-Vandergheynst。2016.图上的卷积神经网络与快速局部谱滤波。《神经信息处理系统进展学报》。3837--3845. 检索自http://\/papers.nips.cc\/paper\/6081-convolutional-neural-networks-on-graphs-with-fast-localized-spectral-filtering。“}，{“key”：“e_1_1_9_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1145\/3097983.3098036“}”，{键“：”e_1_i_10_1“，”doi-assert-by“：”publisher“，“e_1_2_1_11_1”，“doi-asserted-by”：“publisher“，”DOI“：”10.1109\/ICDE.2016.7498247“}，{“key”：“e_1_1_12_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1145\/3132847.3132953”}，“{”key“：”e_2_1_13_1“，“volume-title”：“神经信息处理系统进展论文集.5125--5136”，“author”：“Garc\u00eda-Dur\u00e1n Alberto”，“年份”：“2017”，“非结构化”：“阿尔贝托·加尔科\u00eda-Dur\u00e1n和马蒂亚斯·尼珀特。2017 . 利用嵌入传播学习图表示。神经信息处理系统进展论文集。5125--5136 . 检索自http://\/papers.nips.cc\/paper\/7097-learning-graph-representations-with-embedding-propagation。阿尔贝托·加尔科\u00eda-Dur\u00e1n和马蒂亚斯·尼珀特。2017.学习嵌入传播的图形表示。神经信息处理系统进展论文集。5125--5136. 检索自http://\/papers.nips.cc\/paper\/7097-learning-graph-representations-with-embedding-propagation。“}，{”key“：”e_1_1_14_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/IJCNN.2005.1555942”}，“{”key“：“e_2_1_15_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/2939672.2939754“}”，{“，”年份“：”2017“，”非结构化”：“威廉·汉密尔顿（William L.Hamilton）、应志涛（Zhitao Ying）和朱尔·莱斯科维奇（Jure Leskovec）。2017 . 大型图的归纳表示学习。神经信息处理系统进展论文集。1025--1035 . 检索自http://\/papers.nips.cc\/paper\/6703-inductive-representation-learning-on-large-graphs。威廉·汉密尔顿（William L.Hamilton）、应志涛（Zhitao Ying）和朱尔·莱斯科维奇（Jure Leskovec）。2017.大图形的归纳表示学习。神经信息处理系统进展论文集。1025--1035. 检索自http://\/papers.nips.cc\/paper\/6703-inductive-representation-learning-on-large-graphs。“}，{”key“：”e_1_1_17_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007\/s00440-017-0755-3”}，“key”：“e_2_1_18_1”，“volume-title”：“美国医学信息学协会年会论文集”，“author”：“Hristovski Dimitar”，“unstructured”：“Dimitar Hristowski，Andrej Kastrin，and Thomas C.Rindflesch.2016。利用图形数据库实现生物医学中基于语义的跨领域协作推荐。美国医学信息学协会年度研讨会论文集。检索自http://\/knowledge.amia.org\/amia-63300-1.3360278\/t005-1.3362920\/f005-13362921\/2499243-1.33639975\/2499720-1.3363972。迪米塔尔·赫里斯托夫斯基（Dimitar Hristovski）、安德烈·卡斯特林（Andrej Kastrin）和托马斯·里德夫莱斯（Thomas C.Rindflesch）。2016.使用图形数据库在生物医学中实施基于语义的跨领域协作建议。美国医学信息学协会年度研讨会论文集。检索自http://\/knowledge.amia.org\/amia-63300-1.3360278\/t005-1.3362920\/f005-13362921\/2499243-1.33639975\/2499720-1.3363972.“}，{“key”：“e_1_1_19_1”，“volume-title”：“Proceedings of the Advances in Neural Information Processing Systems.4563-4572”，“author”：“Zhang Tong”，“year”：“2018”，“unstructured”：“黄文兵、张彤、于蓉和黄俊洲。2018 . 面向快速图形表示学习的自适应采样。神经信息处理系统进展论文集。4563--4572 . 检索自http://\/papers.nips.cc\/paper\/7707-adaptive-sampling-towards-fast-graph-representation-learning。黄文兵、张彤、于蓉和黄俊洲。2018.面向快速图形表示学习的自适应采样。神经信息处理系统进展论文集。4563--4572. 检索自http://\/papers.nips.cc\/paper\/7707-adaptive-sampling-towards-fast-graph-representation-learning。}，{“key”：“e_1_2_1_20_1”，“volume-title”：“大型网络中异构信息学习的通用嵌入框架。ACM从数据中发现知识的汇刊12，6”，“author”：“Huang Xiao”，“year”：“2018”，“unstructured”：“Xiao Huang，Jundong Li，Na Zou，Xia Hu.2018。大规模网络中异构信息学习的通用嵌入框架。ACM《从数据中发现知识的汇刊》12，6（2018），70:1--70:24。内政部：https:\/\/DOI.org\/10.1145\/3241063 10.1145\/3241033小黄、李俊东、邹娜和胡霞。2018。大规模网络中异构信息学习的通用嵌入框架。ACM《从数据中发现知识的汇刊》12，6（2018），70:1--70:24。DOI:https:\/\/DOI.org\/10.1145\/3241063“}，{“key”：“e_1_1_21_1”，“first page”：”259“，“article-title”：“电子商务推荐系统的图形模型”，“volume”：：“55”，“author”：“Huang Zan”，“year”：“2004”，“unstructured”：“黄赞、钟永彦和陈新春。2004 . 电子商务推荐系统的图模型。《信息科学与技术协会杂志》55，3（2004），259--274。内政部：https:\/\/DOI.org\/10.1002\/asi.10372 10.1002\/asi.110372 Zan Huang、Wingyan Chung和Xinchun Chen。2004。电子商务推荐系统的图形模型。《信息科学与技术协会杂志》55，3（2004），259--274。DOI:https:\/\/DOI.org\/10.1002\/asi.10372“，”journal-title“：信息科学与技术协会杂志”}，{“key”：“e_1_1_22_1”，“DOI-asserted-by”：“publisher”，”DOI“：”10.1145\/2939672.2939815“}，”{“密钥”：“e_1_2_1_23_1”、“volume-title”：“第五届国际学习代表大会论文集”，“作者”：“托马斯”，“非结构化”：“托马斯·基普夫（Thomas N.Kipf）和马克斯·威林（Max Welling）。2017.使用图卷积网络的半监督分类。在第五届学习表现国际会议的会议记录中。检索自https:\/\/openreview.net\/forum？id=SJU4ayYgl。托马斯·基普夫（Thomas N.Kipf）和马克斯·威林（Max Welling）。2017.图卷积网络半监督分类。在第五届学习表现国际会议的会议记录中。检索自https:\/\/openreview.net\/forum？id=SJU4ayYgl。“}，{”key“：”e_1_1_24_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3363574”}，“key”：“e_1_i_1_25_1”，“doi-assert-by”：“publisher”，”doi“：”10.1016\/j.sigpro.2016.08.025“}”，{。蒙特卡罗理论方法和实例。阿特·欧文。2013年，蒙特卡罗理论方法和示例。“｝，｛”key“：”e_1_2_1_27_1“，”doi由“：”publisher“断言，”doi“：”10.1145\/2633330.2623732“｝，｛”key“：”e_1_1_28_1“，”doi由“：”publisher“断言，”doi“：”10.1109\/TNN.200.2005605“｝，｛”key“：”e_1_2_29_1“，”volume title“：”用于大规模异构信息网络中相似性搜索的元路径引导嵌入。CoRR abs\/160.09769“，”author“：”尚景波”，“年份”：“2016年”，“非结构化”：“尚景波，曲孟，刘嘉璐，兰斯·卡普兰，韩嘉伟，彭健。2016.大规模异构信息网络中相似性搜索的元路径引导嵌入。CoRR abs \/1610.09769（2016）。arxiv:16100.09769 http:\/\/arxiv.org\/abs\/1610.09769尚京波、曲萌、刘佳璐、兰斯·卡普兰、韩嘉伟、彭健。2016.大规模异构信息网络中相似性搜索的元路径引导嵌入。CoRR abs \/1610.09769（2016）。arxiv:16100.09769 http://\/arxiv.org\/abs\/1610.09769“}，{”key“：”e_1_1_30_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TKDE.2018.2833443”}，“key”：“e_2_1_31_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TKDE.2016.2598561“}”，{by“：”publisher“，”doi“：”10.14778\/3402707.3402736“}，{“key”：“e_1_2_1_33_1”，“doi-asserted-by“：”publisher“，”doi“：”10.1145\/2736277.2741093“}，{“key”：“e_1_2_1_34_1”，“volume-title”：“Graph attention networks.CoRR abs\/1710.10903”，“author”：“Veli\u010dkovi\u0107 Petar”，“year”：“2017”，“unstructured”：“Petar Veli\u 010dkovi \u 0107，Guillem Cucuull，Arantxa Casanova，Adriana Romero，Pietro Li\u00f2，和Yoshua Bengio，2017年。绘制注意力网络图。CoRR abs \/1710.10903（2017年）。arxiv:1710.10903 http://\/arxiv.org\/abs\/1710.10903Petar Veli\u010dkovi\u0107、Guillem Cucurull、Arantxa Casanova、Adriana Romero、Pietro Li\u00f2和Yoshua Bengio。2017年。图表注意力网络。CoRR abs \/1710.10903（2017年）。arxiv:1710.10903 http://\/arxiv.org\/abs\/1710.10901“}，{“key”：“e_1_2_1_35_1”，“volume-title”：“第二十八届万维网国际会议（WWW'19）论文集”，“author”：“Wang Xiao”，“year”：“2019”，“unstructured”：“Xiao Wang，Houye Ji，川石，白王，Yanfang Ye，彭翠，and Philip S.Yu.2019”。异质图形注意网络。2019年5月13日至17日，美国加利福尼亚州旧金山，第28届万维网国际会议（WWW’19）会议记录。ACM，2022-2032年。DOI:https:\/\/DOI.org/10.1145\/3308558.3313562 10.1145\/3308558.3313562 Xiao Wang、Houye Ji、Chuan Shi、Bai Wang、Yanfang Ye、Peng Cui和Philip S.Yu。2019.异构图形注意力网络。第28届万维网国际会议（WWW’19）论文集，美国加利福尼亚州旧金山，2019年5月13日至17日。ACM，2022-2032年。DOI:https:\/\/DOI.org\/10.1145\/3308558.3313562“}，{“key”：“e_1_2_1_36_1”，“volume-title”：“Yu”，“author”：“吴宗翰”，“year”：“2019”，“unstructured”：“Zonghan Wu，Shirui Pan，Fengwen Chen，Guodong Long，Chengqi Zhang，and Philip S.Yu.2019.图形神经网络综合调查。arXiv预印本arXiv:1901.00596（2019）吴宗翰、潘石蕊、陈凤文、龙国栋、张成琦和俞敏洪。2019.图形神经网络综合调查。arXiv预印arXiv:1901.00596（2019）。“｝，｛”key“：”e_1_2_1_37_1“，”doi由“：”publisher“断言，”doi“：”10.1145\/30389123052558“｝，｛”key“：”e_1_1_38_1“，”doi由“：”publisher“断言，”doi“：”10.1109\/ICDM.2019.00080“｝，｛”key“：”e_1_1_39_1“，”doi由“：”publisher“断言，”doi“：”10.1145\/329819.3219890“｝，｛”key“：”e_1_40_1“，“卷标题”：“第25届ACM SIGKDD知识发现国际会议论文集8数据挖掘。ACM，793--803“，“作者”：“张楚旭”，“非结构化”：“张楚旭，宋东进，黄超，阿南特拉姆·斯瓦米，尼特斯·查拉。2019.异构图形神经网络。第25届ACM SIGKDD国际知识发现会议记录8数据挖掘。美国医学会，793--803。张楚旭（Chuxu Zhang）、宋东进（Dongjin Song）、黄超（Chao Huang）、阿南特拉姆·斯瓦米（Ananthram Swami）和尼特斯·查拉（Nitesh V.Chawla）。2019.异构图神经网络。第25届ACM SIGKDD国际知识发现会议记录8数据挖掘。ACM，793--803.“}，{“key”：“e_1_2_1_41_1”，“volume-title”：“通过对用户-项目-标签三部图的集成扩散实现个性化推荐。物理学A：统计力学及其应用389，1”，“作者”：“张子科”，“年份”：“2010”，“非结构化”：“张子科，周涛，张一成。2010。通过用户-项目-标签三部分图的集成扩散实现个性化推荐。《物理学A：统计力学及其应用》389，1（2010），179--186。Zi-Ke Zhang、Tao Zhou和Yi-Cheng Zhang。2010年，通过用户-项目-标签三部分图的综合传播实现个性化推荐。Physica A:统计力学及其应用389，1（2010），179--186邹迪凡、胡子牛、王叶文、宋江、孙益洲和顾全全。2019 . 用于训练深度和大型图卷积网络的层相关重要抽样。神经信息处理系统进展论文集。11247--11256 . 邹迪凡（Difan Zou）、胡子牛（Ziniu Hu）、王叶文（Yewen Wang）、宋江（Song Jiang）、孙益洲（Yizhou Sun）和顾全全（Quanquan Gu）。2019年。用于训练深度和大型图卷积网络的层相关重要抽样。神经信息处理系统进展论文集。11247--11256.“}]，”container-title“：[”ACM Transactions on Knowledge Discovery from Data“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3418684“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]“deposed”：{“date-parts”：[2023,1]]，“日期时间”：“2023-01-01T23:31:26Z“，”timestamp“：1672615886000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3418684”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2020,12,7]]}，‘references-count’：43，‘journal-sissue’：{‘issue'：“1”，‘published-print’：parts“：[[2021,2,28]]}}，”alternative-id“：[”10.1145\/3418684“]，”URL“：”http:\/\/dx.doi.org\/10.1145\/3418684“，”relationship“：{}，”ISSN“：[”1556-4681“，”1556-472X“]，”ISSN-type“：[{”value“：”1556-4581“，“type”：“print”}，{”value“：”2556-472X“，”type“:”electronic“}]，”subject“：【】，”published“：{”date-parts“：[2020,12,7]}，“assertion”：[{value“9-12-01“，”order“：0，”name“：”received“，”label“：”received“，“group”：{“name”：“publication_history“，”label“：”publication history“}}，”{“value”：“2020-08-01”，”order“：1，”name“：”accepted“，”tabel“：“accepted”，“group”：{“name”：“publication_history”，“label”：“publication-history”}，{“value”：“2020年12月7日”，“order”：2，”name:“published”，”label:“published”，”group“：{”name“:”publication_历史“，”标签“：”出版历史“}}}]}