Heterogeneous Network Embedding异构图嵌入（1）| 编码器-解码器框架组成部分 | 基于矩阵因式分解、随机游走、AE自动编码器、图神经网络、知识图谱嵌入的HNE模型特点

最新推荐文章于 2024-07-26 09:15:47 发布
置顶 最新推荐文章于 2024-07-26 09:15:47 发布
阅读量740 收藏 16
点赞数 19
CC 4.0 BY-SA版权
分类专栏： 百题千解计划(项目 实战 案例） 文章标签： 异构信息网络 异构网络嵌入 图神经网络 人工智能 深度学习 异构图嵌入 Encoder Decoder
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44731019/article/details/135544206

目录

一、相关信息

在这里插入图片描述

这是关于异构图的一篇综述：

  • 文章标题：《Heterogeneous Network Embedding: A Survey》
  • 索引时间：2023-05-12
  • 期刊与影响因子：CMES-COMPUTER MODELING IN ENGINEERING & SCIENCES（译为：Cmes–工程与科学中的计算机建模），Q2，IF=2.4
  • 作者：武汉大学

 

关键词 KEYWORDS：

  • Heterogeneous information networks; 异构信息网络（简称 HINs）
  • representation learning; 表示学习/表征学习
  • heterogeneous network embedding; 异构网络嵌入（简称 HNE）
  • graph neural networks; 图神经网络
了解本专栏 订阅专栏 解锁全文
Heterogeneous Network Embedding异构图嵌入（2）| HNE应用领域：节点分类、节点聚类、链接预测、推荐系统、知识图谱相关应用、可视化等 | 基准数据集，开放源代码与平台
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
01-13 318
接上一篇：Heterogeneous Network Embedding异构图嵌入（1）| 编码器-解码器框架组成部分 | 基于矩阵因式分解、随机游走、AE自动编码器、图神经网络、知识图谱嵌入的HNE模型特点 HNE 的应用领域： 节点分类：节点聚类：链接预测：推荐系统 (Recommender Systems，RS)：知识图谱相关应用：可视化：其他应用：基准数据集:开放源代码和工具：开放平台和工具包：异构网络嵌入模型的性能评估： 提高可解释性：处理失衡问题：超越本地结构邻近性：考虑动态性： 处理异质性：多
异构图---主流模型框架分析：Metapath2Vec，HAN，HGT，HetGNN | 深刻理解元路径 “Metapath” | 深刻理解异构图模型思想 | 异构图采样，特征编码，聚合邻居
最新发布
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
02-10 367
Metapath2Vec，2017年提出。标题： 《metapath2vec: Scalable Representation Learning for Heterogeneous Networks》会议： KDD 2017摘要【不用念】我们研究的是异构网络中的表征学习问题。其独特的挑战来自于存在多种类型的节点和链接，这限制了传统网络嵌入技术的可行性。我们开发了两种可扩展的表征学习模型，即 metapath2vec 和 metapath2vec++。
异构图的图嵌入（元路径）
TUtou_XiaoGe的博客
01-05 4223
目录 MetaPath2vec 1.基于元路径的信息提取器 2.重构器 3.构造目标 MetaPath2vec 在异构图中，不同类型的节点和边具有不同的语义含义。因此，对于异构网络嵌入，不仅要关注节点之间的结构相关性，还要关注节点之间的语义相关性。metapath2vec (Dong et al.， 2017)被提出来捕捉节点之间的这两种相关性。接下来，我们详细介绍metapath2vec (Dong et al.， 2017)算法，包括其提取器、重构器和目标。注意，metapath2vec中的
【论文解读】A Simple Meta-path-free Framework for Heterogeneous Network Embedding
qq_36291847的博客
11-04 596
异构网络表示学习
论文笔记：Heterogeneous Network Embedding via Deep Architectures
travalscx的博客
01-15 2135
Heterogeneous Network Embedding via Deep Architectures中心思想方法1. text和image的表达image的表达text的表达2. 映射到相同的空间3. 目标函数学习整体网络总结 论文使用深度网络建模，学习异构信息网络中的节点的向量表达。 中心思想 将异构信息网络中的不同类型的顶点映射到相同维度的空间，embedding到相同维度的向量表达。...
《 Heterogeneous Network Embedding via Deep Architectures》 论文分析
luoxuexiong的博客
04-30 1114
《 Heterogeneous Network Embedding via Deep Architectures》 论文分析 《Heterogeneous Network Embedding via Deep Architectures》发表在KDD2015 1.论文思路： 在本文中，研究了具有不同类型节点和内容的异构网络的场景。设计了一种网络数据的深度嵌入算法。采用高度非线性的多层嵌入...
【论文解读|IJCAI2021】THINE - Temporal Heterogeneous Information Network Embedding 时域异构信息网络嵌入
qq_36291847的博客
10-13 1460
文章目录摘要1 引言2 相关定义3 提出的模型3.1 模型概览3.2 THINE模型5 相关工作 动态HIN Hawkes过程 摘要 异构信息网络(HIN)的嵌入，学习多类型节点的低维表示，得到了广泛的应用，并取得了良好的性能。然而，以往的工作大多侧重于静态HINs或特定快照内的学习节点嵌入，很少关注整个演化过程和捕获所有动态。为了弥补多类型节点嵌入在演化过程中考虑所有时间动态的不足，提出了一种新的时域HIN嵌入方法(THINE)。THINE不仅使用注意机制和元路径来保存HIN中的结构和语义，而且结合H.
精通推荐算法11：基于异构图游走的Graph Embedding
谢杨易的博客
07-26 1220
DeepWalk、Line和Node2vec对图结构数据进行随机游走，成功将其转化为一个序列问题，并利用Word2vec训练得到节点的Embedding向量。但它们都基于同构图，其节点均属于同一种类型。但现实世界的数据网络大多基于异构图，其节点类型以及节点间关系是多元化的。因此基于异构图的GraphEmbedding十分重要。基于异构图游走的，以和EGES等网络为代表。使用事先定义好的异构节点游走规则，利用随机游走策略生成多条包含异构节点的序列，基于Word2vec。
【论文翻译】基于层次结构的动态异构图嵌入
Mrong1013967的博客
04-02 3130
基于层次结构的动态异构图嵌入 摘要：图嵌入已经引起了许多研究兴趣。现有的研究主要集中在静态同质/异构网络或动态同质网络上。然而，动态异构网络在现实中更为普遍，如社会网络、电子商务网络、引文网络等，对动态异构图嵌入的研究还比较缺乏。在本文中，我们提出了一种新的动态异构图嵌入方法，利用层次注意（DyHAN）学习节点嵌入，利用结构异构性和时间演化。我们在三个真实的数据集上评估了我们的方法。结果表明，DyHAN在链路预测任务方面优于各种最新的基线。 关键词：图嵌入·异构网络·动态图嵌入 1简介 图形（网络）
【异构图笔记，篇章3】GATNE论文阅读笔记与理解:General Attributed Multiplex HeTerogeneous Network Embedding
xiaobaizaza_Ry的博客
03-19 2142
GATNE论文阅读笔记与理解:General Attributed Multiplex HeTerogeneous Network Embedding, 异构图的笔记，涵盖直推式和归纳式模型的介绍
【论文翻译】MAGNN:用于异构图嵌入的元路径聚合图神经网络
Mrong1013967的博客
04-08 9780
摘要大量真实世界的图形或网络本质上是异构的，涉及到多种多样的节点类型和关系类型。异构图嵌入是将异构图丰富的结构和语义信息嵌入到低维节点表示中。现有模型通常在异构图中定义多个元路径，以捕获复合关系并指导邻居选择。然而，这些模型要么忽略节点内容特征，沿着元路径丢弃中间节点，要么只考虑一个元路径。为了解决这三个限制，我们提出了一个新的模型，称为元路径聚合图神经网络(MAGNN)，以提高最终的性能。具体来说，MAGNN使用三个主要组件，即封装输入节点属性的节点内容转换、包含中间语义节点的元路径内聚合以及组合来自多个
异构超图嵌入的图分类 笔记
ZG
04-11 1671
之后在这些简单图上构造超图，然后将它们分解成多个超图快照，再然后使用开发的超图小波神经网络（HWNN）来学习每个快照中的节点嵌入，然后将这些快照聚合为用于下游分类的综合表示。与顶点域中的方法相比，这种谱方法不需要考虑超图中复杂的消息传递模式，并且还可以执行局部卷积，小波基比傅立叶基稀疏得多，它可以通过多项式有效地近似而无需拉普拉斯分解。在许多现实世界的场景中，对象之间的关系不是二元的（成对的），而是三元的、四元的或更高级的。这里V𝑒和E𝑒分别是V和E的子集，超图快照是根据超边类型生成的，这意味着。
联合嵌入异构图的局部关系和全局关系进行谣言检测
山楂的博客
06-02 693
阅读Jointly embedding the local and global relations of heterogeneous graph for rumor detection论文的理解 联合嵌入异构图的局部关系和全局关系进行谣言检测 论文出处：IEEE ICDM 2019 原文链接 摘要: 社交媒体的发展彻底改变了人们交流、分享信息和决策的方式，但它也为发布和传播谣言提供了一个理想的平台。现有的谣言检测方法侧重于从文本内容、用户配置文件和宣传模式中寻找线索。然而，以往的研究并没有很好地利用消息传
论文阅读：一种基于异构图嵌入的企业网络威胁检测方法
weixin_45798040的博客
07-03 2053
论文阅读笔记：Log2vec: A Heterogeneous Graph Embedding Based Approach for Detecting Cyber Threats within Enterprise
深度学习学习——异质图嵌入的相关文献调研
m0_37876745的博客
11-10 2495
综述 | 异质图嵌入综述: 方法、技术、应用和资源： https://cloud.tencent.com/developer/article/1766217 异质图神经网络学习笔记 https://zhuanlan.zhihu.com/p/113242299 DGL更新报告：异构图神经网络 https://www.jiqizhixin.com/articles/2019-10-14-5 ...
深度之眼Paper带读笔记GNN.04.metapath2vec
老毛的博客
09-02 3639
用meta path进行随机游走，然后生成sequence，并应用到skip-gram模型中获得节点表征。
图嵌入综述整理（上）
qq_43893755的博客
03-11 6069
通过近段时间的学习，自己发现无论基于多层图一般方法还是基于随机游走，还是模糊，所以这次查阅了相关资料，其中有包含随机游走的介绍。 1 为什么引入图？ 我们身处的世界关系都可以建模为图的结构，用图的节点或节点属性表示真实网络系统中的实体或实体标签，用图中的边表示真实网络中的实体关系。因此，通过图嵌入方法可以提高效率等优势。 2 图的特点 海量 高维 稀疏 异构 复杂 动态 图嵌入是一种图表示学习方法，需要将高维向量映射到低维空间。 3 图嵌入问题及定义 【图嵌入】将图的节点或边映射到一个低维的向量空间
【图嵌入】SILK
zzy_NIC的博客
11-19 951
本文是2021年发表于 IEEE TKDE 的一篇关于异构图嵌入学习的论文，该论文的亮点在于提出了一种动态自学习随机游走策略来学习异构图中的节点嵌入，这种做法摆脱了对先验知识和预定义元路径的依赖，学习异构图中每个节点对不同语义的敏感性，并通过实验证明，所提出的框架 SILK 在包括节点分类和聚类在内的几个任务上显著优于最先进的模型。
【intro】GNN中异构图（heterogeneous graph）综述
Karen_Yu_的博客
05-31 7717
大多数GNN的目的是学习只包含单一类型的节点和边的同构图的嵌入向量。然而，现实世界中的实体及其相互作用往往具有多种类型，自然形成具有丰富结构和语义信息的异构图。现有的异构图表示学习的调查论文总结了所有可能的图嵌入技术，对深度神经网络模型的分析不足。为了解决这一问题，本文系统地总结和分析了现有的异构图神经网络(hgnn)，并根据其神经网络结构对其进行了分类。同时，收集了常用的异构图数据集，并总结了它们的统计信息。此外，还比较了HGNN和浅嵌入模型的性能，以显示其强大的特征。
评论 20
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

追光者♂

谢谢你呀！一起加油！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值