論文の概要: An unsupervised cluster-level based method for learning node
representations of heterogeneous graphs in scientific papers
- arxiv url: http://arxiv.org/abs/2203.16751v1
- Date: Thu, 31 Mar 2022 02:13:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 13:51:57.885149
- Title: An unsupervised cluster-level based method for learning node
representations of heterogeneous graphs in scientific papers
- Title(参考訳): 科学論文における不均一グラフのノード表現学習のための教師なしクラスタベース手法
- Authors: Jie Song and Meiyu Liang and Zhe Xue and Junping Du and Kou Feifei
- Abstract要約: 本稿では、クラスタレベルの非教師付き科学論文ヘテロジニアスグラフノード表現学習法(UCHL)を提案する。
ヘテロジニアスグラフ表現に基づいて、不均一グラフ全体のリンク予測を行い、ノードのエッジ、すなわち論文と論文の関係を求める。
- 参考スコア(独自算出の注目度): 16.019656763017004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning knowledge representation of scientific paper data is a problem to be
solved, and how to learn the representation of paper nodes in scientific paper
heterogeneous network is the core to solve this problem. This paper proposes an
unsupervised cluster-level scientific paper heterogeneous graph node
representation learning method (UCHL), aiming at obtaining the representation
of nodes (authors, institutions, papers, etc.) in the heterogeneous graph of
scientific papers. Based on the heterogeneous graph representation, this paper
performs link prediction on the entire heterogeneous graph and obtains the
relationship between the edges of the nodes, that is, the relationship between
papers and papers. Experiments results show that the proposed method achieves
excellent performance on multiple evaluation metrics on real scientific paper
datasets.
- Abstract(参考訳): 学術論文データの知識表現を学習することは解決すべき問題であり、学術論文の不均一ネットワークにおける論文ノードの表現をいかに学習するかがこの問題の解決の核となる。
本稿では,ノードの表現(著者,機関,論文など)を学術論文の異種グラフで取得することを目的とした,教師なしクラスタレベルの科学論文ヘテロジニアスグラフノード表現学習法(UCHL)を提案する。
本稿では,不均質グラフの表現に基づいて,不均質グラフ全体のリンク予測を行い,ノードのエッジ,すなわち論文と論文の関係を求める。
実験の結果,提案手法は実科学論文のデータセット上で,複数の評価指標に対して優れた性能を発揮することがわかった。
関連論文リスト
- NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Contrastive Hierarchical Discourse Graph for Scientific Document
Summarization [14.930704950433324]
CHANGESは、抽出科学論文要約のための対照的な階層型グラフニューラルネットワークである。
また,グローバルなテーマ認識文表現を学習するためのグラフコントラスト学習モジュールを提案する。
論文 参考訳(メタデータ) (2023-05-31T20:54:43Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-05-18T07:27:18Z) - Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。
GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。
4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-25T03:54:53Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳(メタデータ) (2021-12-12T14:18:18Z) - Heterogeneous Graph Neural Network with Multi-view Representation
Learning [16.31723570596291]
異種グラフ埋め込みのための多視点表現学習(MV-HetGNN)を用いた異種グラフニューラルネットワークを提案する。
提案手法は, ノード特徴変換, ビュー固有エゴグラフ符号化, 自動多視点融合により, 包括的ノード表現を生成する複雑な構造情報と意味情報を完全に学習する。
3つの実世界の異種グラフデータセットに対する大規模な実験により、提案されたMV-HetGNNモデルは、様々な下流タスクにおいて、最先端のGNNベースラインを一貫して上回ることを示した。
論文 参考訳(メタデータ) (2021-08-31T07:18:48Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳(メタデータ) (2021-01-16T16:18:43Z) - Neural Topic Modeling by Incorporating Document Relationship Graph [18.692100955163713]
グラフトピックモデル(GTM)は、コーパスを文書関係グラフとして表現したGNNベースのニューラルトピックモデルである。
コーパス内の文書と単語はグラフ内のノードとなり、文書と単語の共起に基づいて接続される。
論文 参考訳(メタデータ) (2020-09-29T12:45:55Z) - Semi-Supervised Node Classification by Graph Convolutional Networks and
Extracted Side Information [18.07347677181108]
本稿では,グラフ畳み込みネットワーク(GCN)による半教師付きシナリオにおけるノード分類タスクを再検討する。
目標は、明らかにされたノードラベルの周りに流通する情報のフローの恩恵を受けることだ。
論文 参考訳(メタデータ) (2020-09-29T02:38:58Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳(メタデータ) (2020-06-19T13:09:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。