HIN2Vec公司

HIN2Vec:探索异构信息网络中的元路径以进行表征学习。本文提出了一种新的异构信息网络表示学习框架HIN2Vec。该框架的核心是一个神经网络模型,也称为HIN2Vec,旨在通过利用节点之间的不同类型的关系来捕捉隐藏在HINs中的丰富语义。给定HIN中以元路径形式指定的一组关系,HIN2Vec基于一组目标关系联合执行多个预测训练任务,学习HIN中节点和元路径的潜在向量。除了模型设计外,还研究了HIN2Vec特有的几个问题,包括元路径向量的正则化、负采样中的节点类型选择以及随机游动中的循环。为了验证我们的想法,我们使用四个大规模的真实HIN数据集(包括Blogcatalog、Yelp、DBLP和美国专利)来学习节点的潜在向量,并将它们作为多标签节点分类和链路预测应用的特征。实验结果表明,HIN2Vec在多标签节点分类中的性能优于目前最先进的网络数据表示学习模型,包括DeepWalk、LINE、node2vec、PTE、HINE和ESim,分别为$micro$-$fΒ1$的6.6%到23.8%,在链路预测方面的性能优于$MAP$的5%-70.8%。