融合注意力的异构信息网络嵌入学习综述OA北大核心

近年来,图嵌入学习已成为信息网络分析领域最常用的技术之一,其将网络对象嵌入到低维稠密向量空间的同时保留网络结构和内容特征并应用于下游分析任务。然而大多数现实网络是由多种对象类型、对象间的关系以及对象内容特征所组成的异构信息网络(HIN)。因此为了学习更有效的嵌入表达,研究者开始将注意力机制融入到异构信息网络嵌入学习中,用以区分不同层面的异构性对嵌入表达的影响程度。对现有融合注意力的异构信息网络嵌入模型进行综述,全面回顾异构信息网络嵌入在过去五年的研究历程,总结其在解决网络异构性时所面临的内容异构性、结构异构性与语义异构性三大挑战,并概括出一种通用的注意力融合模型框架;针对上述挑战,将现有注意力融合方式分为基于元路径、基于图神经网络以及面向应用场景三大类,并详细对比阐述了各类代表性模型;介绍常用的数据集、基准平台工具和评测指标;总结和探讨异构信息网络嵌入学习未来的研究方向。