論文の概要: HybridGNN: Learning Hybrid Representation in Multiplex Heterogeneous
Networks
- arxiv url: http://arxiv.org/abs/2208.02068v1
- Date: Wed, 3 Aug 2022 13:39:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-04 13:58:22.265405
- Title: HybridGNN: Learning Hybrid Representation in Multiplex Heterogeneous
Networks
- Title（参考訳）: HybridGNN:多重異種ネットワークにおけるハイブリッド表現学習
- Authors: Tiankai Gu, Chaokun Wang, Cheng Wu, Jingcao Xu, Yunkai Lou, Changping
Wang, Kai Xu, Can Ye and Yang Song
- Abstract要約: 本稿では,ハイブリッドアグリゲーションフローと階層的アテンションを備えたエンドツーエンドグラフニューラルネットワークモデルであるHybridGNNを提案する。
以上の結果から,HybridGNNはいくつかの最先端ベースラインと比較して最高の性能を示す。
- 参考スコア（独自算出の注目度）: 26.549559266395775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, graph neural networks have shown the superiority of modeling the
complex topological structures in heterogeneous network-based recommender
systems. Due to the diverse interactions among nodes and abundant semantics
emerging from diverse types of nodes and edges, there is a bursting research
interest in learning expressive node representations in multiplex heterogeneous
networks. One of the most important tasks in recommender systems is to predict
the potential connection between two nodes under a specific edge type (i.e.,
relationship). Although existing studies utilize explicit metapaths to
aggregate neighbors, practically they only consider intra-relationship
metapaths and thus fail to leverage the potential uplift by inter-relationship
information. Moreover, it is not always straightforward to exploit
inter-relationship metapaths comprehensively under diverse relationships,
especially with the increasing number of node and edge types. In addition,
contributions of different relationships between two nodes are difficult to
measure. To address the challenges, we propose HybridGNN, an end-to-end GNN
model with hybrid aggregation flows and hierarchical attentions to fully
utilize the heterogeneity in the multiplex scenarios. Specifically, HybridGNN
applies a randomized inter-relationship exploration module to exploit the
multiplexity property among different relationships. Then, our model leverages
hybrid aggregation flows under intra-relationship metapaths and randomized
exploration to learn the rich semantics. To explore the importance of different
aggregation flow and take advantage of the multiplexity property, we bring
forward a novel hierarchical attention module which leverages both
metapath-level attention and relationship-level attention. Extensive
experimental results suggest that HybridGNN achieves the best performance
compared to several state-of-the-art baselines.
- Abstract（参考訳）: 近年、グラフニューラルネットワークは、異種ネットワークベースのレコメンデータシステムにおける複雑なトポロジカル構造をモデル化する優位性を示している。
ノード間の多様な相互作用と多様な種類のノードとエッジから生じる豊富な意味論により、多元多元ネットワークにおける表現的ノード表現の学習への関心が高まっている。
レコメンダシステムにおける最も重要なタスクの1つは、特定のエッジタイプ(すなわち関係)の下で2つのノード間の潜在的な接続を予測することである。
既存の研究では、明示的なメタパスを利用して隣人を集約するが、実際には、関係性内のメタパスのみを考慮し、関係性間の情報による潜在的な上昇を利用できない。
さらに、相互関係のメタパスを多種多様な関係、特にノードやエッジタイプの増加によって包括的に活用することは、必ずしも容易ではない。
さらに、2つのノード間の異なる関係の貢献は測定が難しい。
この課題に対処するため,ハイブリッドアグリゲーションフローと階層型アグリゲーションを持つエンドツーエンドGNNモデルであるHybridGNNを提案する。
具体的には、hybridgnnは異なる関係間の多重性を利用するためにランダム化された相互関係探索モジュールを適用する。
このモデルでは,リレーショナルメタパスとランダム探索によるハイブリッドアグリゲーションフローを活用し,リッチセマンティクスを学習する。
異なるアグリゲーションフローの重要性を探求し、多重性特性を活用するために、メタパスレベルの注意と関係レベルの注意の両方を活用する新しい階層型注意モジュールを提案する。
総合的な実験結果から,HybridGNNはいくつかの最先端ベースラインと比較して最高の性能を発揮することが示唆された。
関連論文リスト
- Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-07-09T14:43:40Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Multiplex Heterogeneous Graph Convolutional Network [25.494590588212542]
異種ネットワーク埋め込みのための多重異種グラフ畳み込みネットワーク(MHGCN)を提案する。
我々のMHGCNは、多重異種ネットワークにおいて、異なる長さの有用な異種メタパス相互作用を自動的に学習することができる。
論文 参考訳（メタデータ） (2022-08-12T06:17:54Z) - Deep Architecture Connectivity Matters for Its Convergence: A
Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。
接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文 参考訳（メタデータ） (2022-05-11T17:43:54Z) - Pay Attention to Relations: Multi-embeddings for Attributed Multiplex
Networks [0.0]
RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。
本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。
我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
論文 参考訳（メタデータ） (2022-03-03T18:31:29Z) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳（メタデータ） (2021-08-12T02:30:38Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - Layer-stacked Attention for Heterogeneous Network Embedding [0.0]
レイヤスタックATTention Embedding (LATTE)は、各レイヤで上位のメタ関係を自動的に分解するアーキテクチャである。
LATTEは、異なる近傍範囲の異なるタイプのノードに対して、より解釈可能なアグリゲーションスキームを提供する。
帰納的ノード分類タスクと帰納的ノード分類タスクの両方において、LATTEは既存のアプローチと比較して最先端のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2020-09-17T05:13:41Z) - Heterogeneous Graph Neural Network for Recommendation [35.58511642417818]
パーソナライズされたレコメンデーションシステムの基礎とコアは、どのように代表ノードの埋め込みを学ぶかである。
本稿では,ノード埋め込みに高次セマンティックを注入するHGRec(Herogeneous Graph Neural Network for Recommendation)を提案する。
実験の結果、高階意味論の重要性が示され、またHGRecの優れた解釈可能性も示される。
論文 参考訳（メタデータ） (2020-09-02T03:16:48Z) - A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network
Representation Learning [52.83948119677194]
大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。
具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。
提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
論文 参考訳（メタデータ） (2020-07-19T22:50:20Z)
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。