简介:

现有的方法主要专注于具有单一类型节点/边缘的网络,并且不能灵活处理大型网络。许多真实世界的网络包括数十亿个节点和多种类型的边,每个节点与不同的属性相关联。本文提出了一种带属性多通道异构图网络,本网路结构可以支持transductive和indective的学习。

相关工作:

Transductive Model: GATNE-T:

此处,模型通过边的种类,学习节点在不同边聚类下的表达。采用的是graph sage的聚集方法。

image-20200505151637254

然后把节点的所有边种类信息拼接起来,然后用self-attention进行聚合。

image-20200505151656320

Inductive Model: GATNE-I:

为了解决一些节点之间边不存在的问题,通过节点的属性和节点的种类来对节点进行嵌入。

image-20200505151717535

Meta-Random-walk:

对不同种类的边进行不同的游走,然后用负采样进行训练,最后用于节点预测。

image-20200505151728482