論文の概要: Inductive Meta-path Learning for Schema-complex Heterogeneous Information Networks
- arxiv url: http://arxiv.org/abs/2307.03937v2
- Date: Sun, 4 Aug 2024 12:45:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-07 00:35:17.028671
- Title: Inductive Meta-path Learning for Schema-complex Heterogeneous Information Networks
- Title（参考訳）: スキーマ複雑な異種情報ネットワークのための帰納的メタパス学習
- Authors: Shixuan Liu, Changjun Fan, Kewei Cheng, Yunfei Wang, Peng Cui, Yizhou Sun, Zhong Liu,
- Abstract要約: Heterogeneous Information Networks (HIN) は、複数のノードとエッジを持つ情報ネットワークである。
メタパスの概念、すなわち2つのエンティティを接続するエンティティタイプと関係型のシーケンスは、様々なHINタスクのためのメタレベル説明可能なセマンティクスを提供するために提案される。
- 参考スコア（独自算出の注目度）: 46.325577161493726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous Information Networks (HINs) are information networks with multiple types of nodes and edges. The concept of meta-path, i.e., a sequence of entity types and relation types connecting two entities, is proposed to provide the meta-level explainable semantics for various HIN tasks. Traditionally, meta-paths are primarily used for schema-simple HINs, e.g., bibliographic networks with only a few entity types, where meta-paths are often enumerated with domain knowledge. However, the adoption of meta-paths for schema-complex HINs, such as knowledge bases (KBs) with hundreds of entity and relation types, has been limited due to the computational complexity associated with meta-path enumeration. Additionally, effectively assessing meta-paths requires enumerating relevant path instances, which adds further complexity to the meta-path learning process. To address these challenges, we propose SchemaWalk, an inductive meta-path learning framework for schema-complex HINs. We represent meta-paths with schema-level representations to support the learning of the scores of meta-paths for varying relations, mitigating the need of exhaustive path instance enumeration for each relation. Further, we design a reinforcement-learning based path-finding agent, which directly navigates the network schema (i.e., schema graph) to learn policies for establishing meta-paths with high coverage and confidence for multiple relations. Extensive experiments on real data sets demonstrate the effectiveness of our proposed paradigm.
- Abstract（参考訳）: Heterogeneous Information Networks (HIN) は、複数のノードとエッジを持つ情報ネットワークである。
メタパスの概念、すなわち2つのエンティティを接続するエンティティタイプと関係型のシーケンスは、様々なHINタスクのためのメタレベル説明可能なセマンティクスを提供するために提案される。
伝統的に、メタパスは主にスキーマシンプルなHIN、例えば、いくつかのエンティティタイプしか持たない書誌ネットワークに使われており、メタパスはドメイン知識で列挙されることが多い。
しかし、数百のエンティティと関係型を持つ知識ベース(KB)のようなスキーマ複雑なHINに対するメタパスの採用は、メタパス列挙に伴う計算複雑性のために制限されている。
さらに、メタパスを効果的に評価するには、関連するパスインスタンスを列挙する必要がある。
これらの課題に対処するために,スキーマ複雑HINのための帰納的メタパス学習フレームワークであるSchemaWalkを提案する。
メタパスをスキーマレベルの表現で表現し、様々な関係に対するメタパスのスコアの学習を支援し、それぞれの関係に対する網羅的なパスインスタンス列挙の必要性を軽減します。
さらに、ネットワークスキーマ(スキーマグラフ)を直接ナビゲートして、高いカバレッジと複数の関係性に対する信頼性を持つメタパスを確立するためのポリシーを学習する強化学習ベースのパスフィニングエージェントを設計する。
実データ集合に対する大規模な実験により,提案手法の有効性が示された。
関連論文リスト
- Meta-Path Learning for Multi-relational Graph Neural Networks [14.422104525197838]
本稿では,少数の情報的メタパスに基づいて,高精度なメタパスとメタパスGNNの学習手法を提案する。
実験により,本手法は関係性が高い場合でも,関連メタパスを正しく同定できることが示唆された。
論文 参考訳（メタデータ） (2023-09-29T10:12:30Z) - Meta-node: A Concise Approach to Effectively Learn Complex Relationships
in Heterogeneous Graphs [18.65171129524357]
本稿では、メタパスやメタグラフを使わずに複雑な異種グラフから豊富な関係知識を学習できるメッセージパッシングのためのメタノードの概念を提案する。
メタパスやメタグラフとは異なり、メタノードは専門知識を必要とする事前処理ステップを必要としない。
ノードクラスタリングおよび分類タスクの実験において、提案手法は、メタパスに依存する最先端のメッセージパッシングよりも優れている。
論文 参考訳（メタデータ） (2022-10-26T05:04:29Z) - MetaFill: Text Infilling for Meta-Path Generation on Heterogeneous
Information Networks [7.501059084460409]
Heterogeneous Information Network (HIN) は、複数のエッジタイプとノードタイプを含む複雑なネットワークを研究するために不可欠である。
既存のメタパス生成アプローチでは、HINのリッチテキスト情報を十分に活用することはできない。
メタパス生成のためのテキスト埋込型アプローチであるMetaFillを提案する。
論文 参考訳（メタデータ） (2022-10-14T03:34:09Z) - Reinforced Meta-path Selection for Recommendation on Heterogeneous
Information Networks [18.35398976265591]
異種情報ネットワーク(HIN)は、様々な種類のエンティティ間の複雑な関係をキャプチャする。
既存のレコメンデーションアルゴリズムでは、手作りのメタパスを使用して、ネットワークから意味情報を抽出する。
効果的なメタパスを選択するための強化学習に基づくメタパス選択フレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-23T21:03:00Z) - 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) - Contextualizing Meta-Learning via Learning to Decompose [125.76658595408607]
本稿では,メタ学習型サポート・ツー・ターゲット戦略の文脈化を図るために,ネットワーク(LeadNet)を分解する学習を提案する。
LeadNetは、コンテキスト間の比較をポリセムの埋め込みに組み込むことで、右に関連付けられた戦略を自動的に選択することを学ぶ。
論文 参考訳（メタデータ） (2021-06-15T13:10:56Z) - mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for
Heterogeneous Information Network Embedding [15.400191040779376]
不均一情報ネットワーク(HIN)は、明示的なネットワーク構造を用いて、豊富な情報を持つオブジェクトをモデル化するために用いられる。
従来のネットワーク埋め込みアルゴリズムは、HINによって提供される潜在的に互換性のないセマンティクスを捕えるのに最適である。
mSHINEは、異なるメタパスのための複数のノード表現を同時に学習するように設計されている。
論文 参考訳（メタデータ） (2021-04-06T11:35:56Z) - Joint Semantics and Data-Driven Path Representation for Knowledge Graph
Inference [60.048447849653876]
我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。
提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
論文 参考訳（メタデータ） (2020-10-06T10:24:45Z) - 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) - GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。
本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。
まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。
次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
論文 参考訳（メタデータ） (2020-07-06T11:09:40Z)
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。