吉立新,
张建朋
战略支援部队信息工程大学 郑州 450001
基金项目:国家自然科学基金(61521003)
详细信息
作者简介:康世泽：男，1991年生，博士生，研究方向为知识图谱
吉立新：男，1969年生，研究员，博士生导师，研究方向为电信网关信息防护、大数据分析
张建朋：男，1988年生，助理研究员，研究方向为大数据分析
通讯作者:康世泽 xiaozebixia@163.com
中图分类号:TN919.2计量
文章访问数:757
HTML全文浏览量:342
PDF下载量:117
被引次数:0
出版历程
收稿日期:2020-01-09
修回日期:2020-12-06
网络出版日期:2020-12-15
刊出日期:2021-04-20
Heterogeneous Information Network Representation Learning Framework Based on Graph Attention Network
Shize KANG,,Lixin JI,
Jianpeng ZHANG
Information Engineering University, Zhengzhou 450001, China
Funds:The National Natural Science Foundation of China (61521003)
摘要
摘要:常用的异质信息网络有知识图谱和具有简单模式层的异质信息网络，它们的表示学习通常遵循不同的方法。该文总结了知识图谱和具有简单模式层的异质信息网络之间的异同，提出了一个通用的异质信息网络表示学习框架。该文提出的框架可以分为3个部分：基础向量模型，基于图注意力网络的传播模型以及任务模型。基础向量模型用于学习基础的网络向量；传播模型通过堆叠注意力层学习网络的高阶邻居特征；可更换的任务模型适用于不同的应用场景。与基准模型相比，该文所提框架在知识图谱的链接预测任务和异质信息网络的节点分类任务中都取得了相对不错的效果。
关键词:异质信息网络/
知识图谱/
图注意力网络/
表示学习
Abstract:Commonly used heterogeneous information networks include knowledge graphs and heterogeneous information networks with simple schemas. Their representation learning follows usually different methods. The similarities and differences between knowledge graphs and heterogeneous information networks with simple schemas are summarized, and a general heterogeneous information network representation learning framework is proposed. The proposed framework can be divided into three parts: the basic vector model, the graph attention network based propagation model, and the task model. The basic vector model is used to learn basic network vector; The propagation model learns the high-order neighbor features of the network by stacking attention layers. The replaceable task module is suitable for different application scenarios. Compared with the benchmark model, the proposed framework achieves relatively good results in the link prediction task of the knowledge graph and the node classification task of the heterogeneous information network.
Key words:Heterogeneous information network/
Knowledge graph/
Graph attention network/
Representation learning
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=76c92936-b54c-4431-9989-4307920403bf
