Relation-aware Graph Attention Model With Adaptive Self-adversarial Training论文笔记

Relation-aware Graph Attention Model With Adaptive Self-adversarial Training

相关基础知识

什么是异构图？

传统的同构图（Homogeneous Graph）数据中只存在一种节点和边，而异构图（Heterogeneous Graph）中可以存在不只一种节点和边。

异构图的关系预测问题

对于两个包含多种属性的实体（entity），预测他们之间的关系类型（relation）。在异构图中，实体对应节点，关系对应两个节点之间的边，即预测两个节点之间边的类型（两个节点之间可以有多条边）。

Motivation

• 传统方法利用知识图谱嵌入（KGE）方法解决异构图的关系预测问题，或者虽然采用了GNN，但在信息传递时忽略了边的语义信息，学习到的特征表示不够理想，从而导致结果不够准确。
• 大部分图表示学习方法都可以统一在一个采样噪声对比估计框架中。随机负采样虽然简单有效，但由于大部分负样本很容易被区分出，所以有梯度消失的问题。许多基于GAN的采样方法可解决这个问题，其中的generator作为负样本采样器，识别出更加discriminative的关系，以供discriminator学习。然而，GAN的问题是需要更多的参数，并且难以训练。

Contribution

• 提出了RelGNN，一种用于异构图的基于信息传递的图注意力网络，通过加入边的语义信息，增强了图的表达能力。
• 提出了ASA，一种无参数的负采样方法，可以识别出难负样本，同时降低假负样本率。
• 在多个benchmark和工业数据集上的实验结果显示，在关系预测问题中，使用RelGNN和ASA采样比STOA方法效果更胜一筹。

Problem Definition

一个异构图可表示为$G=(V,E,A,R,\varphi )$
V = { v 1 , ⋯ , v n } V=\left\{v_1,\cdots,v_n\right\} V={v1​,⋯,vn​}代表图中的节点集合
A = { a 1 , … , a k } A=\left\{a_1,\dots,a_k\right\} A={a1​,…,ak​}代表节点的属性模式，每个节点$v_i$的节点类型为$\varphi (v_i)$,其关联的属性模式为$A_{\varphi (v_i)}$为$A$的一个子模式，即$A_{\varphi (v_i)}\in A$
E = { e 1 , … , e m } E=\left\{e_1,\dots,e_m\right\} E={e1​,…,em​}为一个无向边集合，$R$为边的类型集合
每条边$e_k=(v_i,r_i,v_j)$表示$v_i$和$v_j$之间的关系，$r_i\in R$
此外，每对节点之间可以包含多个关系（多条边）

Method

GelGNN

如下图所示，GelGNN包含四个部分。

Attribute Embedding

首先将节点的各个属性各自编码成向量，最终拼接在一起，再经过一个全连接层得到该节点的属性embedding向量。

Message passing

通过self-attention机制将节点属性embedding和节点图embedding组合在一起得到最终的实体embedding。

对于节点$v_i$，定义其在图中的传播函数为：

$$h_{v_i}^{(t)}=\sigma (\sum _{r\in R}\sum _{v_j\in N_{v_i}^r}{\alpha }_{(v_i,v_j)}{W}_r^{t-1}{h}_{v_j}^{(t-1)}+W_{self}^{t-1}{h}_{v_i}^{(t-1)})$$

其中$\sigma$为一个激活函数，$N_{v_i}^r$表示与顶点$v_i$包含关系$r\in R$的邻接顶点集合。$W_r^{(t-1)}$是专门为顶点$v_i$与顶点$v_j$之间的关系$r$编码的一个权重矩阵，$W_{self}^{(t-1)}$是编码顶点$v_i$前一个时间步的embedding向量的权重矩阵。${\alpha }_{(v_i,v_j)}$是一个attention权重因子，这个权重因子通过如下方式求的。

$${\alpha }_{(v_i,v_j)}=\frac{\exp (\sigma ({a_e}^{\top }[W_{self}^{(t-1)}{h}_{v_i}^{(t-1)}\Vert h_r\Vert W_r^{(t-1)}{h}_{v_j}^{(t-1)}]))}{{\sum }_{r^{\prime }\in R}{\sum }_{v_n\in N_{v_i}^{r^{\prime }}\exp (\sigma ({a_e}^{\top }[W_{self}^{(t-1)}{h}_{v_i}^{(t-1)}\Vert h_{r^{\prime }}\Vert W_{r^{\prime }}^{(t-1)}{h}_{v_n}^{(t-1)}]))}}$$

其中${\cdot }^{\top }$代表转置，$\Vert$代表concatenation操作，$h_r$编码了关系$r$，$a_e$为单头attention的权重矩阵。扩充到多头attention机制，最终的节点特征表示计算方式为：

$$h_{v_i}^{(t)}=\sigma (\frac{1}{L}\sum _{l=1}^L(\sum _{r\in R}\sum _{v_j\in N_{v_i}^r}{\alpha }_{(v_i,v_j)}{W}_r^{t-1}{h}_{v_j}^{(t-1)}+W_{self}^{t-1}{h}_{v_i}^{(t-1)}))$$

其中$L$为头的数量。

Final Entity Embedding

对于每一个节点$v_i$，初始特征$h_{v_i}^{(0)}$仅包括该节点的属性信息。通过信息传递，最后一个时间步的节点特征$h_{v_i}^{last}$聚合了图拓扑结构信息。将属性特征与包含图结构的特征通过attenton机制进行组合得到该实体（节点）的最终特征表示。

$$h_{v_i}^{final}={\alpha }_{attr}{h}_{v_i}^{(0)}+{\alpha }_{graph}{h}_{v_i}^{last}$$,

$${\alpha }_{attr}=\frac{\exp (\sigma (a_s^{\top }{h}_{v_i}^{(0)}))}{\exp (\sigma (a_s^{\top }{h}_{v_i}^{(0)}))+\exp (\sigma (a_s^{\top }{h}_{v_i}^{last}))}$$

其中权重因子通过求softmax得到。

Adaptive Self-Adversarial Negative Sampling

负采样是一种用于近似具有庞大输出层的softmax函数的技术。它基于噪声对比估计，即好的模型可以从负信号中找出正信号。在关系预测问题中，负样本通常保持边不变而改变其中一个节点得到。
本文提出了自适应自对抗负采样方法（ASA），由于负样本是正样本的一个变体，可以通过利用好正样本来控制生成的负样本的hardness。因此，负样本选择函数如下：

arg ⁡ min ⁡ { v ˉ m , r , v ˉ n } ∉ E ∣ d r ′ ( f ′ ( v i ) ， f ′ ( v j ) ) − d r ′ ( f ′ ( v ˉ m ) , f ′ ( v ˉ n ) ) − μ ∣ \mathop{\arg\min}_{\left\{\bar{v}_m,r,\bar{v}_n\right\}\notin E}|d_r^\prime(f^\prime(v_i)，f^\prime(v_j))-d_r^\prime(f^\prime(\bar{v}_m),f^\prime(\bar{v}_n))-\mu| argmin{vˉm​,r,vˉn​}∈/​E​∣dr′​(f′(vi​)，f′(vj​))−dr′​(f′(vˉm​),f′(vˉn​))−μ∣

其中$f^{\prime }$为上文介绍的GelGNN，输出为节点的embedding向量。$d_r^{\prime }$为一个求得分的函数，输出为两个顶点之间存在关系$r$的得分score。$\mu$为一个正值常量，相当于一个margin值。
通过如上方法，对于一个特定的正样本，ASA根据score值能选择出有适当hardness的负样本。