H2TNE: Temporal Heterogeneous Information Network Embedding in Hyperbolic Spaces

要約

タイトル：H2TNE：ハイパーボリック空間での時間的異種情報ネットワーク埋め込み

要約：

– 時系列異種情報ネットワーク（temporal HIN）の埋め込みは、構造や意味情報を保存しながら、異なるタイムスタンプの様々な種類のノードを低次元空間に表現することを目的としており、多様な実生活のタスクにとって重要である。
– 研究者たちは、時間的異種情報ネットワークのEuclidean空間に対する埋め込みに注力し、かなりの成果を得ている。しかし、多くの実際のネットワークは階層的な性質やべき乗分布を示し、Euclidean空間には等距的ではないため、常に基本的な矛盾がある。
– 最近、ハイパーボリック空間での表現学習が、階層的でべき乗分布を持つデータに対して有効であることが証明されてきた。 この性質に着想を得て、私たちはハイパーボリック異種時空ネットワーク埋め込み（H2TNE）モデルを提案する。
– 具体的には、構造的および意味的情報を捕捉するために、時間的、異種的に二重制約を課したランダムウォーク戦略を活用し、距離測定でハイパーボリック距離を利用して埋め込みを計算する。
– 実験結果から、私たちの手法は、SOTAモデルと比較して、時間的リンク予測およびノード分類において優れたパフォーマンスを示している。

要約(オリジナル)

Temporal heterogeneous information network (temporal HIN) embedding, aiming to represent various types of nodes of different timestamps into low dimensional spaces while preserving structural and semantic information, is of vital importance in diverse real-life tasks. Researchers have made great efforts on temporal HIN embedding in Euclidean spaces and got some considerable achievements. However, there is always a fundamental conflict that many real-world networks show hierarchical property and power-law distribution, and are not isometric of Euclidean spaces. Recently, representation learning in hyperbolic spaces has been proved to be valid for data with hierarchical and power-law structure. Inspired by this character, we propose a hyperbolic heterogeneous temporal network embedding (H2TNE) model for temporal HINs. Specifically, we leverage a temporally and heterogeneously double-constrained random walk strategy to capture the structural and semantic information, and then calculate the embedding by exploiting hyperbolic distance in proximity measurement. Experimental results show that our method has superior performance on temporal link prediction and node classification compared with SOTA models.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI