[論文レビュー] A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources

Xiao Wang, Deyu Bo+4 more|arXiv (Cornell University)|Nov 30, 2020

Advanced Graph Neural Networks被引用数 42

ひとこと要約

この調査は、異種グラフ埋め込み手法の網羅的なレビューを行い、分類法、技術、実世界での展開、データセット、およびオープンソースツールを取り上げ、課題と将来の方向性を強調する。

ABSTRACT

Heterogeneous graphs (HGs) also known as heterogeneous information networks have become ubiquitous in real-world scenarios; therefore, HG embedding, which aims to learn representations in a lower-dimension space while preserving the heterogeneous structures and semantics for downstream tasks (e.g., node/graph classification, node clustering, link prediction), has drawn considerable attentions in recent years. In this survey, we perform a comprehensive review of the recent development on HG embedding methods and techniques. We first introduce the basic concepts of HG and discuss the unique challenges brought by the heterogeneity for HG embedding in comparison with homogeneous graph representation learning; and then we systemically survey and categorize the state-of-the-art HG embedding methods based on the information they used in the learning process to address the challenges posed by the HG heterogeneity. In particular, for each representative HG embedding method, we provide detailed introduction and further analyze its pros and cons; meanwhile, we also explore the transformativeness and applicability of different types of HG embedding methods in the real-world industrial environments for the first time. In addition, we further present several widely deployed systems that have demonstrated the success of HG embedding techniques in resolving real-world application problems with broader impacts. To facilitate future research and applications in this area, we also summarize the open-source code, existing graph learning platforms and benchmark datasets. Finally, we explore the additional issues and challenges of HG embedding and forecast the future research directions in this field.

研究の動機と目的

• 異種グラフの基本概念を紹介し、HG埋め込みに特有の課題を特定する
• 学習に用いられる情報に基づいて、最先端のHG埋め込み手法を系統的に分類する
• 実世界の設定におけるHG埋め込み手法の長所と短所と変換性を分析する
• 将来の研究を促進するために、オープンソースコード、プラットフォーム、ベンチマークデータセットを要約する
• 異種グラフ埋め込みの未解決課題と今後の方向性を議論する

提案手法

• HG埋め込み手法を構造保全型、属性支援型、応用志向型、動的アプローチに分類する
• リンク、メタパス、メタグラフ、ハイパーエッジなどのサブグラフに基づく構造保全法をレビューする
• metapath2vec、metagraph2vec、mg2vec、DHNE などを含むパスおよびサブグラフベースの手法を検討する
• 異種属性がどのように融合を必要とし、モデル設計に影響を与えるかを説明する
• 高次の関係性を捉える上でメタパスとメタグラフの役割を強調する
• 異質性を保持するための関係特異的指標と学習目的の例を提示する

実験結果

リサーチクエスチョン

• RQ1 ホモグラフと比較したとき、HG埋め込みにおける異質性がもたらす根本的な課題は何か？
• RQ2 HG埋め込み手法は、構造、属性、ドメイン知識などの異なる情報タイプをどのように活用してこれらの課題に対処できるか？
• RQ3 リンクベース、パスベース、サブグラフベースのHG埋め込み手法の長所と制約はそれぞれどのようか？
• RQ4 HG埋め込み手法は実世界の展開と応用にどのように適用されるか？
• RQ5 将来のHG埋め込み研究を支援するオープンソース資源とベンチマークは何が存在するか？

主な発見

• HG埋め込み手法は、同質グラフと異なる複雑なHG構造と異質属性に対処する必要がある
• 使用情報に基づくHG埋め込み手法の分類法が存在する：構造、属性、適用手がかり、ダイナミクス
• リンクベース、パスベース、サブグラフベースのアプローチは異質性を保持する上で補完的な視点を提供するが、複雑さとスケーラビリティのトレードオフがある
• メタパスとメタグラフの概念は高次の意味的捉えを可能にし、ランダムウォークとハイブリッド関係法は多様な学習戦略を提供する
• いくつかの手法は関係特異的な射影、変換距離関数、または結合されたマルチタスク目的を用いて異質な関係をモデル化する
• 本調査は将来のHG埋め込み研究を促進するために、オープンソースコード、プラットフォーム、ベンチマークデータセットを整理している