本文主要是介绍Representation Learning for Atributed Multiplex Heterogeneous Network，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！
Representation Learning for Atributed Multiplex Heterogeneous Network
- 本文中心思想
- 问题背景
- 核心思路
- edge embedding
Heterogeneous Network)
本文中心思想
问题背景
异构图分这么多种种类：要注意不是只有节点类型不同的才叫异构图，根据不同的节点类型，和不同的边的连接关系（单视图/多视图），以及有没有节点特征，可以分为如下的多种类型的异构图。
更具体的定义：
边和节点的类型加起来大于2就是异构图了。
作者聚焦于最后一种AMHEN类型的异构图，并认为当前这类图结构数据挖掘的过程中存在如下挑战：
- 多种类型的边的连接关系（多视图），如果利用不同的视图之间的互补信息得到一个unified表征
- 很多边是没有被观测到的，即目前方法只能聚焦于transductive的setting
- scalability问题，难扩展到大型数据集上
核心思路
edge embedding
这个edge embedding其实还是节点的表征，不是边上的表征。指的是同一个节点在不同视图中的表征。在每个视图中，作者是用graphsage学习到embedding，然后再用self attention融合：
将所有视图的embedding拼起来，然后计算自注意力系数，最后加权融合得到总的edge embedding，并与base embedding进行加权融合得到节点的表征。
最后是通过负采样损失函数进行模型的优化
这里同时还使用了meta-path-based random walks
这篇关于Representation Learning for Atributed Multiplex Heterogeneous Network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！
