Heterogeneous Deep Graph Infomax

目录

• 概
• 异构图
• 本文方法
• 代码

Ren Y., Liu B., Huang C., Dai P., Bo L. and Zhang J. Heterogeneous deep graph infomax. arXiv preprint arXiv:1911.08538, 2019.

概

本文介绍了异构图的一种无监督学习方法. 这里大体只贴一下异构图的概念, 本文的方法不会讲.

异构图

• $\mathcal{G} = (\mathcal{V, E})$, 图;

• $\phi: \mathcal{V} \rightarrow \mathcal{T}$, $\phi(v)$ 返回结点 $v$ 所属的类别, 如上图所示, 存在三种类型的结点 (即 $|\mathcal{T}|=3$): Author, Subject, Paper;

• $\psi: \mathcal{E} \rightarrow \mathcal{R}$, $\psi(e)$ 返回边 $e$ 所属的类别, 如上图所示, 存在两种类型的边 (即 $|\mathcal{R}| = 2$): Write, Belong-to;

• 显然, 一个图当且仅当 $|\mathcal{T}| + |\mathcal{R}| > 2$ 的时候, 这个图才是异构图.

• Meta-Path: Meta-Path 指的就是由一种结点类型到另一种结点类型的路径:

  $$T_1 \mathop{\longrightarrow} \limits^{R_1} T_2 \mathop{\longrightarrow} \limits^{R_2} \cdots \mathop{\longrightarrow} \limits^{R_l} T_{l+1},$$

  比如上图中, Paper-Author-Paper, Paper-Subject-Paper 都算是 meta-path. 需要注意的是, 在该论文的老的版本中, 并没有很准确的定义好 meta-path (其认为是结点到另一结点的路径即为 Meta-Path).

• 我们称结点 $v_i, v_j$ 关于 meta-path $\Phi$ 是相邻的, 若存在一路径为该 meta-path 的实例且连接这两个结点.

• 基于 $\Phi$ 我们也可以推导出 meta-path based adjacency matrix $A^{\Phi}$, 其中 $A_{ij}^{\Phi} = 1$ 当且仅当 $v_i, v_j$ 关于 $\Phi$ 是相邻的.

本文方法

代码

official