本文主要是介绍Representation Learning for Attributed Multiplex Heterogeneous Network论文阅读笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
论文提出的算法主要是针对复杂的多重异构网络(即节点有属性,节点类型有多种,边的类型有多种)。算法名字叫做GATNE,可以分为直推式GATNE-T和归纳式GATNE-I。
每个节点的embedding包括base embedding和edge embedding。其中base embedding是用在共有的,edge embedding是针对不同类型的边构造的图生成的embedding。
对于GATNE-T算法,base embedding是通过网络结构直接训练生成的。edge embedding是在针对不同的边类型,构造不同的图,然后使用类似GraphSage的算法生成各种Edge embedding,然后对各种类型的edge embedding进行一次attention得到。
但是在GATNE-I算法中,base embedding和初始的edge embedding是通过转换函数生成的,即一个节点 i i i的属性集为 x i x_i xi,则根据函数 f z ( x i ) f_z(x_i) fz(xi)生成base embedding和 g z ( x i ) g_z(x_i) gz(xi)生成初始的edge embedding,这里 z z z是节点的类型,不用的节点类型有不同的 f f f和 g g g函数, f f f和 g g g函数可以是一个多层感知机。
然后每个节点最终的embedding就是base embedding + α r U i , r +\alpha_r U_{i, r} +αrUi,r
这篇关于Representation Learning for Attributed Multiplex Heterogeneous Network论文阅读笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!