异质图表示学习旨在将图中的语义信息和异质的结构信息嵌入到低维向量空间中。目前大多数的异质图表示学习方法主要通过基于元路径、元图和网络模式的采样以保留图中同类型节点间的单粒度局部结构，忽略了现实世界中复杂异质图具有的丰富的层次结构。商空间理论中的多粒度思想可以在不同粒度内捕获节点间的潜在联系。因此，为在异质图表示中有效地保留层次结构的信息，文章提出一个基于多粒度的异质图表示方法（Heterogeneous Graph Representations Based on Multi-granularity,HeMug）。该方法首先基于不同元路径构建多个同质子图，并利用多粒度的粗化思想，将每个同质子图分别粗化形成多个多粒度子网络，以保留异质图中同类型节点在给定元路径下的层次结构。其次，利用多粒度的细化思想，将每个多粒度子网络最粗层通过现有表示学习方法获得的节点表示逐层细化，以得到节点在每个多粒度子网络下的表示。最后，设计注意力机制以融合节点在不同元路径对应的多粒度子网络下的表示。在四个真实数据集上的实验结果表明，与对比算法相比，提出的HeMug获得了更有效的节点表示。
暂无评论