当前位置: X-MOL 学术Comput. J. › 论文详情
Multi-view Dynamic Heterogeneous Information Network Embedding
The Computer Journal ( IF 1.077 ) Pub Date : 2021-05-03 , DOI: 10.1093/comjnl/bxab041
Zhenghao Zhang, Jianbin Huang, Qinglin Tan

Most existing heterogeneous information network (HIN) embedding methods focus on static environments while neglecting the evolving characteristic of real-world networks. Although several dynamic embedding methods have been proposed, they are merely designed for homogeneous networks and cannot be directly applied in heterogeneous environments. To tackle above challenges, we propose a novel framework for incorporating temporal information into HIN embedding, named multi-view dynamic HIN embedding (MDHNE), which can efficiently preserve evolution patterns of implicit relationships from different views in updating node vectors over time. We first transform HIN to a series of homogeneous networks corresponding to different views. Then our proposed MDHNE applies recurrent neural network (RNN) to incorporate evolving pattern of complex network structure and semantic relationships between nodes into latent embedding spaces, and thus the node vectors from multiple views can be learned and updated when HIN evolves over time. Moreover, we come up with an attention-based fusion mechanism, which can automatically infer weights of latent vectors corresponding to different views by minimizing the objective function specific for different mining tasks. Extensive experiments clearly demonstrate that our MDHNE model outperforms state-of-the-art baselines on three real-world dynamic datasets for different network mining tasks.

中文翻译:

多视图动态异构信息网络嵌入

大多数现有的异构信息网络(HIN)嵌入方法都将重点放在静态环境上,而忽略了现实世界网络的不断发展的特性。尽管已经提出了几种动态嵌入方法,但是它们仅针对同构网络而设计,不能直接应用于异构环境中。为了解决上述挑战,我们提出了一种新颖的框架,用于将时间信息整合到HIN嵌入中,称为多视图动态HIN嵌入(MDHNE),该框架可以有效地保留不同视图中隐式关系的演化模式,从而随着时间的推移更新节点向量。我们首先将HIN转换为一系列对应于不同视图的同构网络。然后我们提出的MDHNE应用递归神经网络(RNN)将复杂网络结构的演化模式和节点之间的语义关系整合到潜在的嵌入空间中,从而可以在HIN随时间演变时从多个视图学习和更新节点向量。此外,我们提出了一种基于注意力的融合机制,该机制可以通过最小化针对不同挖掘任务的目标函数,自动推断与不同视图相对应的潜在向量的权重。大量实验清楚地表明,我们的MDH​​NE模型在针对不同网络挖掘任务的三个真实世界动态数据集上的性能优于最新基准。因此,当HIN随时间演变时,可以学习和更新来自多个视图的节点向量。此外,我们提出了一种基于注意力的融合机制,该机制可以通过最小化针对不同挖掘任务的目标函数,自动推断与不同视图相对应的潜在向量的权重。大量实验清楚地表明,我们的MDH​​NE模型在针对不同网络挖掘任务的三个真实世界动态数据集上的性能优于最新基准。因此,当HIN随时间演变时,可以学习和更新来自多个视图的节点向量。此外,我们提出了一种基于注意力的融合机制,该机制可以通过最小化针对不同挖掘任务的目标函数,自动推断与不同视图相对应的潜在向量的权重。大量实验清楚地表明,我们的MDH​​NE模型在针对不同网络挖掘任务的三个真实世界动态数据集上的性能优于最新基准。
更新日期:2021-05-04
全部期刊列表>>
欢迎新作者ACS
聚焦环境污染物
专攻离子通道生理学研究
中国作者高影响力研究精选
虚拟特刊
屿渡论文,编辑服务
浙大
上海中医药大学
苏州大学
江南大学
四川大学
灵长脑研究中心
毛凌玲
南开大学陈瑶
朱如意
中科院
南开大学
隐藏1h前已浏览文章
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
华辉
天合科研
x-mol收录
试剂库存
down
wechat
bug