论文部分内容阅读
随着互联网的迅速发展，每天都有海量的数据产生，因此如何组织这些数据就成了一个非常关键的问题。事实上，生活中的大部分数据都可以通过网络，或者说是图来刻画。例如，人们的社交关系可以构建出一个社交网络，人作为结点，人们之间的联系作为边。基于此，图嵌入技术开始逐渐兴起。图嵌入本质上是一种表示学习的方法，它将图映射到低维空间，同时保留图的结构信息以及结点本身的属性。这对于许多下游任务都有非常显著的提升，例如节点分类，链接预测，推荐系统等等。
本文主要研究基于神经网络的图嵌入方法。从最早的基于随机游走的模型开始，各种各样的基于神经网络的图嵌入模型被提出来。近期效果比较好的模型是图卷积神经网络(GCN)，它通过卷积层来聚合结点周围的邻居结点，从而学习局部的邻居信息。然而这种方法输入的是单个的结点，只能学习到有限的局部信息，而且邻居的定义比较固化。
基于存在的上述问题，本文提出了一种新的子图卷积网络，它以子图而不是单个结点作为模型的输入。首先根据已有的数据构建异质图，把实体抽象成结点，实体间的联系抽象成边。在整个图中抽取出一个个的子图，并学习子图的嵌入表示，从而将子图输入进子图卷积网络，聚合子图的信息，学习结点的嵌入表示。本文主要以推荐系统作为应用场景，推荐系统可以看作链接预测的问题，即预测用户与项目之间是否会有链接(点击)。
本文的主要内容如下：
1)研究分析了当前图嵌入技术以及推荐系统的发展现状，并规范化表示基于图网络的推荐问题，在该问题中，用户和项目以及它们之间的联系都以异质图表示。
2)基于本文提取子图的需求，结合本文的应用场景，提出了两种子图提取的方式并分析其优缺点。
3)针对当前图卷积网络的缺陷，提出一种新颖的子图卷积网络。从整个巨大的图中生成自定义的子图，借鉴自然语言处理中的做法，学习子图的嵌入表示。同时子图相对于将所有一阶二阶邻居信息一起卷积，也更加灵活。而且由于输入的是子图，已经包含了相对丰富的邻居信息，那么在后续的卷积操作中，就可以减少卷积层的个数，有利于提高效率。
4)本文采用了同时学习的策略，也就是说，图嵌入和下游的链接预测任务同时进行学习，这样可以有针对性的提升任务效果。
最后，本文使用真实数据集进行了大量的对比实验，包括与其它模型的对比以及模型本身不同参数的对比。通过对比实验可以看到，本文提出的模型有较好的效果。
本文主要研究基于神经网络的图嵌入方法。从最早的基于随机游走的模型开始，各种各样的基于神经网络的图嵌入模型被提出来。近期效果比较好的模型是图卷积神经网络(GCN)，它通过卷积层来聚合结点周围的邻居结点，从而学习局部的邻居信息。然而这种方法输入的是单个的结点，只能学习到有限的局部信息，而且邻居的定义比较固化。
基于存在的上述问题，本文提出了一种新的子图卷积网络，它以子图而不是单个结点作为模型的输入。首先根据已有的数据构建异质图，把实体抽象成结点，实体间的联系抽象成边。在整个图中抽取出一个个的子图，并学习子图的嵌入表示，从而将子图输入进子图卷积网络，聚合子图的信息，学习结点的嵌入表示。本文主要以推荐系统作为应用场景，推荐系统可以看作链接预测的问题，即预测用户与项目之间是否会有链接(点击)。
本文的主要内容如下：
1)研究分析了当前图嵌入技术以及推荐系统的发展现状，并规范化表示基于图网络的推荐问题，在该问题中，用户和项目以及它们之间的联系都以异质图表示。
2)基于本文提取子图的需求，结合本文的应用场景，提出了两种子图提取的方式并分析其优缺点。
3)针对当前图卷积网络的缺陷，提出一种新颖的子图卷积网络。从整个巨大的图中生成自定义的子图，借鉴自然语言处理中的做法，学习子图的嵌入表示。同时子图相对于将所有一阶二阶邻居信息一起卷积，也更加灵活。而且由于输入的是子图，已经包含了相对丰富的邻居信息，那么在后续的卷积操作中，就可以减少卷积层的个数，有利于提高效率。
4)本文采用了同时学习的策略，也就是说，图嵌入和下游的链接预测任务同时进行学习，这样可以有针对性的提升任务效果。
最后，本文使用真实数据集进行了大量的对比实验，包括与其它模型的对比以及模型本身不同参数的对比。通过对比实验可以看到，本文提出的模型有较好的效果。