姓名：贾文韬

学号：20181213886

学院：广州研究院

专业：电子信息（计算机技术方向）

【嵌牛导读】网络嵌入方法（Network Embedding）旨在学习网络中节点的低维度潜在表示，所学习到的特征表示可以用作基于图的各种任务的特征，例如分类，聚类，链路预测和可视化。

【嵌牛鼻子】网络嵌入方法（Network Embedding）异构神经网络（Heterogeneous information networks）

【嵌牛正文】

异构神经网络

     异质信息网络英文全称 heterogeneous information network，也可以被译为异构信息网络，

DBLP NETWORK

     异质信息网络G=(V,E)包括不同类型的对象和关系，每个对象属于一个特定的对象类型， 每个关系属于一个特定的关系类型。比如说文献网络、社交媒体网络等。

社交媒体网络

异构网络vs同构网络

     异构网络包括不同类型的节点或链接，而同构网络只有一种类型的对象和链接。同构网络可被视为异构网络的特例。而且，异构网络可以通过网络映射（network projection）或忽略对象异质性转化为同构网络，但同时会造成重要信息丢失。传统的链接挖掘（link mining）通常基于同构网络，许多同构网络分析技术不能直接应用于异构网络。

同构信息网络

异构信息网络

异构信息网络

网络模式

    网络模式是异构信息网络的元模板，是定义于对象类型T的节点和来自关系R的边的有向图，表示为TG=(T,R)。对于上图中定义的文献信息网络，其网络模式如下图所示。

异构文献信息网络模式

    作者和论文之间有写与被写的关系，论文和会议之间有发表于和发表的关系，论文和关键词之间有使用和被使用的关系，在论文和论文之间还存在着引用和被引用的关系。

元路径

    元路径是定义在网络模式上的链接两类对象的一条路径，形式化定义为

元路径

    表示对象类型之间的一种复合关系，A 表示对象类型，R 表示关系类型

一个例子

    HIN不仅引入了丰富的语义信息，还引入了潜在不兼容的语义信息，这为HIN的嵌入学习带来了挑战。例如下图所示，Stan喜欢musical类型的电影，也喜欢Ang Lee导演的电影。但是Ang Lee没有导演过musical类型的电影，所以若这些节点都被映射到同一个度量空间的话，Ang Lee和musical的距离会很远，因为它们不相似。因此，在同一个度量空间中，Stan不可能同时和这两个节点距离近。

    为了缓解这一问题，作者引入边的表示并且针对不同类型的边使用不同的度量空间。这样Stan节点可以在两个度量空间中分别于Ang Lee和musical距离近。

Easing Embedding Learning by Comprehensive Transcription Heterogeneous Information Networks

电影图例

一部电影的图例-

用六种节点类型（user、actor、country、movie、genre，director）

七种无向边类型（user to actor，user to movie...）

一种有向边类型（user to user）

电影图例

现有网络嵌入方法

传统的同构网络嵌入方法平等地对待所有的节点和边，而不管它们的类型如何，这些方法没有捕捉到HINs的本质异构性。

（1）解决同质信息网络的方法通常是基于元路径的，这不能解决HIN的综合转录问题。因为元路径的选择很麻烦，而且选取出来的元路径只针对特定任务或者只能反映出HIN的部分信息。

  （2）还有一些针对HIN的方法，只对特定种类的HIN或添加了副信息的HIN进行了表示学习。这些方法不能应用到一般的HIN。并且大多数针对HIN的嵌入表示方法只为表示学习提供了一个度量空间，这可以处理HIN中部分可兼容语义信息，但是若对HIN整体记性综合转录则会带来信息损失。

  （3）最近的研究提出了一个方法，通过在嵌入学习前将HIN分解成多个领域的，实现了在避免信息损失的条件下（如：丰富的异质信息、潜在冲突的语义信息）获得高质量的HIN表示。但是这种方法独立地获取到了不同领域的信息，但是完全禁止了跨领域的联合学习。

推荐论文阅读

《Easing Embedding Learning by Comprehensive Transcription  Heterogeneous Information Networks》

（1）研究了HIN嵌入学习中的综合转录问题，保留了HIN丰富的语义信息，并且易于在下游任务中使用。

（2）提出现实世界中的HIN存在不可兼容的语义信息，这为HIN的综合转录带来了挑战。

（3）提出算法HEER，利用边的表示和异构度量，解决HIN的综合转录问题。

（4）实验证明了HEER的有效性。

异构神经网络的网络嵌入

论文代码：https://github.com/GentleZhu/HEER

HEER: Easing Embedding Learning by Comprehensive Transcription of Heterogeneous Information Networks

论文相关学习链接：https://blog.csdn.net/byn12345/article/details/104703739

                                 https://www.cnblogs.com/chaoran/p/10156564.html

                                 https://blog.csdn.net/akufr2065/article/details/101957346