[論文レビュー] DMSS: A Robust Deep Meta Structure Based Similarity Measure in Heterogeneous Information Networks.

Yu Zhou, Jianbin Huang+3 more|arXiv (Cornell University)|Dec 25, 2017

Advanced Graph Neural Networks参考文献 25被引用数 1

ひとこと要約

本稿では、異種情報ネットワークにおける頑健な深層メタ構造に基づく類似度測定法であるDMSSを提案する。DMSSは、深層メタ構造を自動的に構築し、学習可能な重みを用いて複数の深層メタパスを統合する。スケマティック構造の変動に対して頑健であるため、最適な減衰パラメータを用いることで、クラスタリングおよびランク付けの分野で最先端の手法を上回る性能を発揮する。

ABSTRACT

Similarity measure as a fundamental task in heterogeneous information network analysis has been applied to many areas, e.g. product recommendation, clustering and web search. The state-of-the-art metrics depend on meta paths or meta structures specified by users. In this paper, a novel similarity measure on heterogeneous information networks, called Deep Meta Structure based Similarity ($DMSS$), is proposed. The deep meta structure as a schematic structure on heterogeneous information networks provides a unified framework integrating all the meta paths and meta structures. It can be constructed automatically. In order to formalize the semantics encapsulated in the deep meta structure, we decompose it into several deep meta paths, and then combine all the commuting matrices of these deep meta paths according to different weights. It is noteworthy that the weights can be determined by the proposed strategy. As a result, $DMSS$ is defined by virtue of the final commuting matrix and therefore is robust to different schematic structures. Experimental evaluations show that the state-of-the-art metrics are really sensitive to meta paths or meta structures in terms of clustering and ranking. Besides, $DMSS$ outperforms the state-of-the-art metrics in terms of ranking and clustering in the case of selecting an appropriate decaying parameter.

研究の動機と目的

• 異種情報ネットワークにおける既存の類似度測定法が、ユーザーが指定するメタパスやメタ構造に過敏である問題に対処すること。
• 自動的に深層メタ構造を構築することで、多様な意味的関係を統合的に捉える統一フレームワークの構築。
• 深層メタパスへの分解とそれらの可換行列の重み付き結合を通じて、深層メタ構造内での意味的定式化の形式化。
• メタパスや構造の手動指定に依存しない頑健な類似度計算の実現。
• 適応的重み付与と減衰パラメータチューニングにより、クラスタリングやランク付けなどの下流タスクにおける性能向上。

提案手法

• 異種情報ネットワークに含まれるすべての可能なメタパスおよびメタ構造を統合する統一的なスケマティック表現として深層メタ構造を提案する。
• 意味的定式化と計算を可能にするために、深層メタ構造を構成する深層メタパスに分解する。
• 各深層メタパスに対して可換行列を構築し、パスベースの類似度伝搬をモデル化する。
• 提案された戦略から得られる学習可能な重みを用いて、すべての可換行列を統合し、異なるパスからの寄与をバランスさせる。
• 可換行列の重み付き和に基づいて最終的なDMSS類似度測定を定義し、構造的変動に対して頑健であることを保証する。
• 長距離パスの影響を制御するための減衰パラメータを採用し、ランク付けおよびクラスタリングタスクにおける性能最適化を図る。

実験結果

リサーチクエスチョン

• RQ1 異種情報ネットワークにおけるすべての可能なメタパスおよびメタ構造を統合する統一フレームワークをどのように設計できるか。
• RQ2 ユーザーが指定するメタパスやメタ構造の変動に対して、類似度測定がどの程度頑健であるか。
• RQ3 深層メタ構造を自動的に構築する手法が、異種ネットワークにおける類似度計算をどのように改善できるか。
• RQ4 深層メタパス間の学習可能な重みが、クラスタリングおよびランク付けにおける類似度測定の性能に与える影響は何か。
• RQ5 減衰パラメータが、提案されたDMSS測定の頑健性および有効性に与える影響は何か。

主な発見

• 提案されたDMSS手法は、最先端の類似度測定法と比較して、クラスタリングおよびランク付けタスクにおいて優れた性能を示す。
• 既存の類似度指標は、メタパスやメタ構造の選定に極めて敏感であり、しばしば一貫性のない性能を示す。
• DMSSは、深層メタ構造の自動的構築と、適応的重みによる複数の深層メタパスの統合を通じて、頑健性を達成する。
• 特にランク付けおよびクラスタリング評価において、適切に選択された減衰パラメータを用いることで、ベースライン手法を上回る性能を発揮する。
• 深層メタ構造を深層メタパスに分解することで、効果的な意味的定式化とスケーラブルな類似度計算が可能になる。
• 学習可能な重みを備えた可換行列の使用により、DMSSは複雑なネットワークの意味的構造を捉えつつ、計算効率を維持できる。