Heterogeneous information network (HIN) embedding, aiming to project HIN into a low-dimensional space, has attracted considerable research attention. Most of the existing HIN embedding methods focus on preserving the inherent network structure and semantic correlations in Euclidean spaces. However, one fundamental problem is whether the Euclidean spaces are the intrinsic spaces of HIN? Recent researches find the complex network with hyperbolic geometry can naturally reflect some properties, e.g., hierarchical and power-law structure. In this article, we make an effort toward embedding HIN in hyperbolic spaces. We analyze the structures of three HINs and discover some properties, e.g., the power-law distribution, also exist in HINs. Therefore, we propose a novel HIN embedding model HHNE. Specifically, to capture the structure and semantic relations between nodes, HHNE employs the meta-path guided random walk to sample the sequences for each node. Then HHNE exploits the hyperbolic distance as the proximity measurement. We also derive an effective optimization strategy to update the hyperbolic embeddings iteratively. Since HHNE optimizes different relations in a single space, we further propose the extended model HHNE++. HHNE++ models different relations in different spaces, which enables it to learn complex interactions in HINs. The optimization strategy of HHNE++ is also derived to update the parameters of HHNE++ in a principle manner. The experimental results demonstrate the effectiveness of our proposed models.

中文翻译：

---

在双曲空间中嵌入异构信息网络

异构信息网络（HIN）嵌入，旨在将 HIN 投影到低维空间，引起了相当多的研究关注。大多数现有的 HIN 嵌入方法都专注于保留欧几里得空间中固有的网络结构和语义相关性。然而，一个基本问题是欧几里得空间是否是 HIN 的本征空间？最近的研究发现具有双曲几何的复杂网络可以自然地反映一些性质，例如层次结构和幂律结构。在本文中，我们努力将 HIN 嵌入双曲空间。我们分析了三个 HIN 的结构，发现 HIN 中也存在一些特性，例如幂律分布。因此，我们提出了一种新的 HIN 嵌入模型 HHNE。具体来说，为了捕获节点之间的结构和语义关系，HHNE 采用元路径引导的随机游走对每个节点的序列进行采样。然后 HHNE 利用双曲线距离作为邻近度测量。我们还推导出了一种有效的优化策略来迭代地更新双曲线嵌入。由于 HHNE 在单个空间中优化了不同的关系，我们进一步提出了扩展模型 HHNE++。HHNE++ 对不同空间中的不同关系进行建模，使其能够学习 HIN 中的复杂交互。还导出了HHNE++的优化策略，以原则的方式更新HHNE++的参数。实验结果证明了我们提出的模型的有效性。然后 HHNE 利用双曲线距离作为邻近度测量。我们还推导出了一种有效的优化策略来迭代地更新双曲线嵌入。由于 HHNE 在单个空间中优化了不同的关系，我们进一步提出了扩展模型 HHNE++。HHNE++ 对不同空间中的不同关系进行建模，使其能够学习 HIN 中的复杂交互。还导出了HHNE++的优化策略，以原则的方式更新HHNE++的参数。实验结果证明了我们提出的模型的有效性。然后 HHNE 利用双曲线距离作为邻近度测量。我们还推导出了一种有效的优化策略来迭代地更新双曲线嵌入。由于 HHNE 在单个空间中优化了不同的关系，我们进一步提出了扩展模型 HHNE++。HHNE++ 对不同空间中的不同关系进行建模，使其能够学习 HIN 中的复杂交互。还导出了HHNE++的优化策略，以原则的方式更新HHNE++的参数。实验结果证明了我们提出的模型的有效性。HHNE++ 对不同空间中的不同关系进行建模，使其能够学习 HIN 中的复杂交互。还导出了HHNE++的优化策略，以原则的方式更新HHNE++的参数。实验结果证明了我们提出的模型的有效性。HHNE++ 对不同空间中的不同关系进行建模，使其能够学习 HIN 中的复杂交互。还导出了HHNE++的优化策略，以原则的方式更新HHNE++的参数。实验结果证明了我们提出的模型的有效性。