多重注意力指导下的异构图嵌入方法

摘要: 现有的异构图嵌入学习方法存在两个方面的问题，一是没有考虑不同节点属性间的深层联系，二是通过注意力机制聚合邻居节点来生成目标节点的向量表示，忽略了目标节点的特征在向量表示中起的作用。为解决上述问题，本文提出了一种多重注意力指导下的异构图神经网络，从点−线−网3个角度学习异构节点嵌入向量。使用双向长短期记忆模型(bidirectional long short - term memory networks, Bi-LSTM)挖掘不同节点的属性间的深层关联关系并将其映射到同一向量空间，利用级联网络对单条元路径实例上的邻居节点和目标节点的特征信息进行融合，从而增强嵌入向量对目标节点信息的表达能力，提出一种多重注意力机制来聚合多条元路径实例上的节点信息，生成最终的节点嵌入向量表示。在3个大型异构图上的实验结果表明，本文提出的模型在异构图嵌入的效果方面优于现有基线模型，并且对于增强节点属性信息上的表达展现出了良好的性能。

• 关键词: 
• 异构信息网络  /  
• 图表示学习  /  
• 异构图嵌入  /  
• 元路径  /  
• 元路径实例  /  
• 图注意力  /  
• 异构图  /  
• 图神经网络  

现实世界中，很多数据都是以图结构进行表示的，如社交网络[1-3]、蛋白质结构、推荐系统[4-6]等。这些包含多种不同类型边和节点的图称为异构图（heterogeneous graph, HG），也叫异构信息网络(heterogeneous information network, HIN) [7]。如，DBLP（digital bibliography & library project）学术网络可以用HG表示，它由4种类型的节点