元路径2VEC

metapath2vec:异构网络的可伸缩表示学习。研究了异构网络中的表示学习问题。其独特的挑战来自于多种类型的节点和链路的存在,这限制了传统网络嵌入技术的可行性。我们开发了两个可伸缩的表示学习模型,即metapath2vec和metapath2vec++。metapath2vec模型将基于元路径的随机游动形式化,构造节点的异构邻域,然后利用异构skip-gram模型进行节点嵌入。metapath2vec++模型进一步支持异构网络中结构和语义关联的同步建模。大量实验表明,metapath2vec和metapath2vec++不仅能够在各种异构网络挖掘任务(如节点分类、聚类和相似性搜索)中优于现有的嵌入模型,而且能够识别不同网络对象之间的结构和语义关联。