H2TNE: Temporal Heterogeneous Information Network Embedding in Hyperbolic Spaces

要約

タイトル：Hyperbolic Spacesにおける時間的非均質情報ネットワークの埋め込みについて

要約：

– 様々なタイムスタンプのノードを低次元空間に表現することを目的とする時間的非均質情報ネットワーク（時間的HIN）の埋め込みは、多様な実際のタスクにおいて重要である。

– Euclidean空間での時間的HINの埋め込みについて多くの研究者が取り組んでおり、かなりの成果をあげている。しかし、多くの実際のネットワークには階層的な性質とべき分布があり、Euclidean空間と等距離ではないという基本的な矛盾がある。

– 近年、階層構造とべき分布を持つデータに対してHyperbolic Spacesにおける表現学習が有効であることが証明されている。この特性に着想を得て、時間的HINのためのHyperbolic Spacesにおける非均質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把握するために、時間的および非均質条件を持つランダムウォーク戦略を利用し、その後、近接度測定においてHyperbolic distanceを利用して埋め込みを計算する。実験の結果、提案手法は既存の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性能を示している。

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