基于元路径的动态异质网络表示学习

作者：刘群; 谭洪胜; 张优敏; 王国胤

来源：电子学报, 2022, 50(08): 1830-1839.

• 网络表示学习
• 动态异质网络
• 元路径
• 注意力机制
• 门控循环单元

对网络表示学习的研究已经取得了很多成果,但是大部分网络表示学习模型忽略了网络动态性和异质性,无法区分网络中耦合的时间和空间(结构)特征,也不能捕获网络的丰富语义信息.本文提出了基于元路径的动态异质网络表示学习方法 .首先将节点的邻域结构按照时间划分出不同的子空间结构,并为每个节点采样出所有时间加权元路径的序列.其次通过门控循环单元将节点的全部时间加权元路径序列上的邻域信息进行集成,最后利用带注意力机制的双向门控循环单元对融合后的节点序列进行时空上下文信息学习,获得每个节点的最终表示向量.通过在真实数据集上的实验表明,在节点分类、聚类和可视化的下游任务测试中,本文提出的算法较基线方法在性能上均有较大提升.节点分类任务中的Micro-F1平均提高了1.09%～3.72%,节点聚类任务中的ARI值提高了3.23%～14.49%.

• 单位
  重庆邮电大学