潜在的な近隣ベースの不均一なグラフ表現

グラフは、強力なデータ構造として、複雑なシステムのモデリングに優れた能力を示しています。現実世界のオブジェクトとその相互作用は、従来の均質なグラフと比較して、しばしばマルチモーダルおよびマルチタイプであるため、不均一なグラフは実際のオブジェクトをより効果的に表すことができます。一方、豊富なセマンティック情報は、不均一なグラフ表現（HGR）を学習するために大きな課題をもたらします。ほとんどの既存のHGRメソッドは、直接的な隣接に基づいて構築され、異種グラフの複合セマンティック関係を定義するメタパスの概念に基づいています。ただし、直接的な隣人情報が不十分であり、常に観察が不十分であるために発生する場合、メタパスの品質を保証することはできません。したがって、潜在的な直接隣人に基づいた新しいHGRフレームワークを提案します。具体的には、ランダムウォークが最初に利用され、間接隣人の潜在的な候補者を発見します。その後、Hodgerankが導入され、ターゲットにとっての重要性に応じて潜在的な直接隣人を決定します。その後、近隣の関係は選択された潜在的な直接隣接と拡張され、異種グラフの隣接テンソルがそれに応じてリファクタリングされます。最後に、グラフトランスネットワークが採用され、セマンティックメタパスを自動的に構築し、HGRを生成します。さまざまな現実世界の異種ネットワークでの数値実験は、新しいアプローチがより多くのメタパスインスタンスを生成し、より複雑で多様なセマンティック情報を導入し、その結果、いくつかの最先端のベースラインと比較してより正確な予測を達成できることを示しています。

Graph, as a powerful data structure, has shown superior capability on modeling complex systems. Since real-world objects and their interactions are often multi-modal and multi-typed, compared with traditional homogeneous graphs, heterogeneous graphs can represent real-world objects more effectively. Meanwhile, rich semantic information brings great challenges for learning heterogeneous graph representation (HGR). Most existing HGR methods are based on the concept of meta-path, which is constructed based on direct neighbors and define composite semantic relations in heterogeneous graph. However, when the direct neighbor information is inadequate, which always happens due to insufficient observation, the quality of meta-paths cannot be guaranteed. Therefore, we propose a novel HGR framework based on latent direct neighbors. Specifically, random walks are first utilized to discover the potential candidates from indirect neighbors. Then HodgeRank is introduced to determine the latent direct neighbors according to their importance to the target. After that, neighborhood relationships are augmented with the selected latent direct neighbors, and the adjacency tensor of the heterogeneous graph is refactored correspondingly. Finally, Graph Transformer Network is adopted to construct semantic meta-paths automatically and generate HGR. Numerical experiments on different real-world heterogeneous networks show that our new approach can produce more meta-path instances and introduce more complex and diverse semantic information, and consequently achieves more accurate predictions compared with several state-of-the-art baselines.