基于MetaGNN的异质信息网络表征学习

发布时间：2024-03-08 01:39

　　异质信息网络普遍存在于现实生活中的许多情景中,如社交网络、学术引用网络、电影评论网络等。从这些网络中挖掘出有价值的信息是十分重要然而面临许多挑战的,主要的挑战是如何构建合适的信息网络节点表征。传统的信息网络节点表征方法是将网络看成由节点和边组成的图模型,并人为地抽取图中节点的特征作为节点的表征。但是这种方法十分依赖于专家的先验知识以及耗费大量的时间。因此,近年来为了解决以上问题,许多信息网络节点表征学习算法被提出来,旨在自动地学习网络中节点的表征。代表性的方法有基于图神经网络的网络节点表征学习算法。其通过聚合目标节点的邻居节点特征信息来获得目标节点的低维向量表征,但是目前的这类算法存在以下问题:一是其只关注了同质信息网络,即网络只包含了一种类型的节点和边,没有考虑到包含不同类型节点或边的异质信息网络;二是手工设计不同类型邻居节点的聚合策略是十分依赖专家的先验知识且不具有普适性的。为了解决以上问题,本文提出MetaGNN模型,一种基于已有的Deep Q-Network模型的图神经网络模型,该模型包含了两层结构,即Deep Q-network层和图神经网络层。其中Deep Q-Networ...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及意义
    1.2 国内外研究现状
    1.3 本文的主要工作
    1.4 本文组织结构
    1.5 本章小结
第2章 背景知识与相关工作
    2.1 基础定义
    2.2 相关工作
        2.2.1 经典维度下降算法
        2.2.2 非基于图神经网络的网络节点表征学习算法
        2.2.3 基于图神经网络的网络节点表征学习算法
    2.3 模型背景知识
        2.3.1 图神经网络模型
        2.3.2 Deep Q-Network
    2.4 本章小结
第3章 基于深度强化学习的图神经网络(MetaGNN)
    3.1 算法框架
    3.2 Deep Q-Network层
        3.2.1 状态空间
        3.2.2 动作空间
        3.2.3 奖励函数
        3.2.4 损失函数
    3.3 图神经网络层
        3.3.1 聚集函数
        3.3.2 损失函数
    3.4 本章小结
第4章 实验验证
    4.1 实验设置
        4.1.1 数据集
        4.1.2 对比算法
        4.1.3 评价指标
        4.1.4 元路径
    4.2 实验内容
        4.2.1 直推式节点多分类任务
        4.2.2 归纳式节点多分类任务
        4.2.3 参数敏感性分析
    4.3 实验结果与讨论
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢



本文编号：3921812