【论文标题】GAHNE: Graph-Aggregated Heterogeneous Network Embeddingiew 【作者团队】Xiaohe Li，Lijie Wen，Chen Qian，Jianmin Wang 【发表时间】2020/12/23 【论文链接】https://arxiv.org/pdf/2012.12517.pdf 【代码链接】https://github.com/seanlxh/GAHNE

【推荐理由】 本文出自清华大学王建民教授团队，作者基于图神经网络提出了一种能够融合全局与局部语义信息的图聚合异构网络嵌入技术，在多项下游任务中取得了目前最优的性能。

现实世界中的网络通常由具有丰富语义的不同类型的节点和边缘组成，即异构信息网络（HIN）。异构网络嵌入的旨在将节点嵌入到低维向量中，获取异构网络丰富的内在信息。然而，现有的模型要么依赖于人工设计的元路径，要么会忽略不同语义之间的相互影响，要么忽略网络中的某些全局信息。

为了解决上述问题，本文作者提出了一种新的图聚合异构网络嵌入（GAHNE）方法，旨在尽可能全面地提取异构信息网络的语义，以改善基于图卷积神经网络的下游任务的性能。在 GAHNE 模型中，作者提出了一些可以聚合来自不同单一类型子网络语义表征的机制，并将全局信息融合到最终的嵌入中。

图 1：（a）异构网络示意图（b）GAHNE 架构示意图。
具体而言，给定具有三种关系的 HIN 网络，GAHNE 将 HIN 分为 3 个单一类型的子网络，然后将所有子网络中得到的节点嵌入聚合起来。

内容中包含的图片若涉及版权问题，请及时与我们联系删除