Closed kacky24 closed 5 years ago
heterogeneous networkにおける分散表現の獲得手法matapath2vec, matapath2vec++の提案。
deepwalkやnode2vecのように、random walkでサンプリングしたcontextに対してskipgram(+negative sampling)を適用して、分散表現を獲得する。 ただ、heterogeneous networkにおけるrandom walkでは、ノード数が多いノードタイプに偏ってしまう問題があるため、meta-path-based random walkを用いる。 meta-path-based random walkでは、あらかじめ決められたノードタイプの系列であるmeta-pathにしたがってrandom walkする。 meta-pathの例として、P(paper), A(author), V(venue)とすると、APAは共著関係を、APVPAは著者が同じ学会に参加したことを表す。 また、meta-pathは対称であり、最初と最後のノードタイプは同じになる。
metapath2vecでは、softmaxにおいてノードタイプの情報を無視しており、あるタイプのノードの学習の際に全てのタイプからnegative samplingを許容している。 そこで、タイプごとに分布を分けて学習を行う。
複数の実験で既存手法を上回る結果。
Yuxiao Dong∗ Microsoft Research Redmond, WA 98052 yuxdong@microsoft.com Nitesh V. Chawla University of Notre Dame Notre Dame, IN 46556 nchawla@nd.edu Ananthram Swami Army Research Laboratory Adelphi, MD 20783 ananthram.swami.civ@mail.mil
https://ericdongyx.github.io/papers/KDD17-dong-chawla-swami-metapath2vec.pdf
2017 KDD
short summary
heterogeneous networkにおける分散表現の獲得手法matapath2vec, matapath2vec++の提案。
metapath2vec
deepwalkやnode2vecのように、random walkでサンプリングしたcontextに対してskipgram(+negative sampling)を適用して、分散表現を獲得する。 ただ、heterogeneous networkにおけるrandom walkでは、ノード数が多いノードタイプに偏ってしまう問題があるため、meta-path-based random walkを用いる。 meta-path-based random walkでは、あらかじめ決められたノードタイプの系列であるmeta-pathにしたがってrandom walkする。 meta-pathの例として、P(paper), A(author), V(venue)とすると、APAは共著関係を、APVPAは著者が同じ学会に参加したことを表す。 また、meta-pathは対称であり、最初と最後のノードタイプは同じになる。
matapath2vec++
metapath2vecでは、softmaxにおいてノードタイプの情報を無視しており、あるタイプのノードの学習の際に全てのタイプからnegative samplingを許容している。 そこで、タイプごとに分布を分けて学習を行う。
複数の実験で既存手法を上回る結果。
author
Yuxiao Dong∗ Microsoft Research Redmond, WA 98052 yuxdong@microsoft.com Nitesh V. Chawla University of Notre Dame Notre Dame, IN 46556 nchawla@nd.edu Ananthram Swami Army Research Laboratory Adelphi, MD 20783 ananthram.swami.civ@mail.mil
URL
https://ericdongyx.github.io/papers/KDD17-dong-chawla-swami-metapath2vec.pdf
year
2017 KDD