Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning

要約

グラフ・ニューラル・ネットワーク（GNN）や異種GNN（HGNN）の最近の進歩により、様々なタスクのノード埋め込みや関係学習が進んでいる。しかし、既存の手法は、しばしば、ドメイン固有の事前定義されたメタパスに依存しており、粗視化され、ノードのタイプなどの側面にのみ焦点を当てているため、複雑な相互作用を捉える能力が制限されている。我々はMF2Vecを紹介する。MF2Vecは定義済みのメタパスの代わりに、多面的な（きめの細かい）パスを用いるモデルである。MF2Vecはランダムウォークによってパスを抽出し、定義済みのスキーマを無視して多面的なベクトルを生成する。この手法はノードとその関係の多様な側面を学習し、均質なネットワークを構築し、分類、リンク予測、クラスタリングのためのノード埋め込みを作成する。広範な実験により、MF2Vecは既存の手法を凌駕し、複雑なネットワークを分析するための、より柔軟で包括的なフレームワークを提供することが示されている。コードはhttps://anonymous.4open.science/r/MF2Vec-6ABC。

要約(オリジナル)

Recent advancements in graph neural networks (GNNs) and heterogeneous GNNs (HGNNs) have advanced node embeddings and relationship learning for various tasks. However, existing methods often rely on domain-specific predefined meta-paths, which are coarse-grained and focus solely on aspects like node type, limiting their ability to capture complex interactions. We introduce MF2Vec, a model that uses multi-faceted (fine-grained) paths instead of predefined meta-paths. MF2Vec extracts paths via random walks and generates multi-faceted vectors, ignoring predefined schemas. This method learns diverse aspects of nodes and their relationships, constructs a homogeneous network, and creates node embeddings for classification, link prediction, and clustering. Extensive experiments show that MF2Vec outperforms existing methods, offering a more flexible and comprehensive framework for analyzing complex networks. The code is available at https://anonymous.4open.science/r/MF2Vec-6ABC.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL