HIN2Vec：探索异构信息网络中用于表征学习的元路径

在本文中，我们提出了一种新的表示学习框架，即HIN2Vec公司，用于异构信息网络（HIN）。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获HIN中嵌入的丰富语义。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，以学习HIN中节点和元路径的潜在向量。除了模型设计之外，还研究了HIN2Vec独有的几个问题，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行走中的循环。为了验证我们的想法，我们使用四个大规模真实HIN数据集（包括Blogcatalog、Yelp、DBLP和U.S.Patents）学习节点的潜在向量，并将其用作这些网络上多标签节点分类和链接预测应用程序的特征。实验结果表明，HIN2Vec在多标签节点分类中的表现优于DeepWalk、LINE、node2vec、PTE、HINE和ESim等最新的网络数据表示学习模型，在多标记节点分类中表现优于$micro$-$f_1$的6.6%至23.8%，在链路预测中表现优于$MAP$的5%至70.8%。