所有文章 > 正文

KDD 2019 | 多视图异构网络表征学习

作者: Yukuo Cen

时间: 2019-08-20 18:16

传统的网络表示学习方法一般只针对同构的网络,但是实际应用中涉及到的网络往往都是异构的。

论文: http://keg.cs.tsinghua.edu.cn/jietang/publications/KDD19-Cen-et-al-Attributed_Multiplex_Network_Embedding.pdf

代码和数据: https://github.com/thudm/gatne

PPT: http://keg.cs.tsinghua.edu.cn/jietang/publications/2019-Intelligent%20Feed%20Recommendation.pptx

传统的网络表示学习方法一般只针对同构的网络,但是实际应用中涉及到的网络往往都是异构的。在阿里电商场景下,由用户和商品构成的网络就是异构的,不仅包含异构的节点(用户和商品),而且包含异构的边(用户和商品的多种交互行为,比如点击、购买等)。不仅如此,网络中的节点还包含着丰富的属性。下图是一个带节点属性的异构图的例子。在下面左侧的图中,用户包含了性别、年龄等属性,商品包含了价格、类目等属性。用户与商品之间包含了四种类型的边,分别对应点击、收藏、加入购物车以及购买行为。

gatnekdddd.png.jpg

gatnekddd.png

由于有多种类型的边(比如点击、购买),这里我们考虑给每个节点在每个视图下(每种类型的边代表一个视图)都学一个表征。比如我们可以给用户和商品在点击场景下学表征,在购买场景下学另一种表征。但是这两种表征之间并不是完全独立的,是通过某种机制互相影响的。我们主要考虑的就是如何来建模不同视图下的表征之间相互影响的方式。模型的结构如上面右侧的图所示。在GATNE-T模型中,我们认为每个节点的表征由两部分组成,一部分是每个视图下的公共表征,另一部分的表征我们使用了GraphSAGE和self-attention机制来整合邻居节点的信息和其他视图的信息。为了解决实际问题中的冷启动问题,我们设计了基于节点特征的模型GATNE-I。模型的训练方式为基于元路径的随机游走和异构的负采样方式。

我们在3个公开数据集Amazon、YouTube、Twitter和阿里数据集上进行了实验,验证了我们所提出的模型的有效性。如下表所示,在4个数据集上,我们提出的GATNE-T/I取得了最好的效果。Amazon数据集上由于商品的特征较弱,所以GATNE-I的效果会稍差于GATNE-T;而在阿里数据集上,节点的特征非常丰富,所以GATNE-I的效果会好于GATNE-T。

gatnekdd.png

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多