[論文レビュー] Recurrent Meta-Structure for Robust Similarity Measure in Heterogeneous Information Networks

Yu Zhou, Jianbin Huang+2 more|arXiv (Cornell University)|Dec 25, 2017

Advanced Graph Neural Networks参考文献 41被引用数 6

ひとこと要約

本稿では、異種情報ネットワーク（HIN）における頑健な類似度測定法として、再帰的メタ構造に基づく類似度（RMSS）を提案する。RMSSは、すべての可能なメタパスおよびメタ構造を統合する再帰的メタ構造を自動的に構築する。この構造を再帰的メタパスおよびメタツリーに分解し、それらの可換行列を計算した後、局所的またはグローバルな重み付け戦略を用いて組み合わせることで、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達成する。また、ユーザーが指定するメタパスやメタ構造に依存しない特性を有する。

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. Most of the existing metrics depend on the meta-path or meta-structure specified by users in advance. These metrics are thus sensitive to the pre-specified meta-path or meta-structure. In this paper, a novel similarity measure in heterogeneous information networks, called Recurrent Meta-Structure-based Similarity (RMSS), is proposed. The recurrent meta-structure as a schematic structure in heterogeneous information networks provides a unified framework to integrate all of the meta-paths and meta-structures. Therefore, RMSS is robust to the meta-paths and meta-structures. We devise an approach to automatically constructing the recurrent meta-structure. In order to formalize the semantics, the recurrent meta-structure is decomposed into several recurrent meta-paths and recurrent meta-trees, and we then define the commuting matrices of the recurrent meta-paths and meta-trees. All of the commuting matrices of the recurrent meta-paths and meta-trees are combined according to different weights. Note that the weights can be determined by two kinds of weighting strategies: local weighting strategy and global weighting strategy. As a result, RMSS is defined by virtue of the final commuting matrix. Experimental evaluations show that the existing metrics are sensitive to different meta-paths or meta-structures and that the proposed RMSS outperforms the existing metrics in terms of ranking and clustering tasks.

研究の動機と目的

• 既存の類似度測定法がユーザー指定のメタパスやメタ構造に敏感である問題を解消すること。
• メタパスおよびメタ構造が複雑で偏った意味的特徴を捉えることの限界を克服すること。
• HINに存在するすべての可能なスキーマ的構造を統合する自動的で頑健なフレームワークを構築すること。
• メタパスやメタ構造の選択に依存しない統一的な類似度測定法を提案すること。
• 意味的豊かで構造に配慮した類似度計算により、クラスタリングおよびランク付けタスクの性能を向上させること。

提案手法

• HINにおける再帰的メタ構造（RecurMS）を導入し、オブジェクトタイプの繰り返し走査を可能にすることで、複雑で意味的豊かなパターンの自動構築を可能にする。
• オブジェクトタイプの分離を可能にするために、RecurMSを再帰的メタパスおよび再帰的メタツリーに分解する。
• 各再帰的メタパスおよびメタツリーに対して可換行列を定義し、オブジェクト間の意味的関係を形式化する。
• 局所的またはグローバルな重み付け戦略によって決定される重みを用いて、可換行列を重み付き和で結合する。
• 最終的な結合行列を基に、再帰的メタ構造に基づく類似度（RMSS）測定法を構築する。
• 計算をオフライン（構造構築および行列計算）とオンライン（類似度取得）の段階に分けることで、効率性を確保する。

実験結果

リサーチクエスチョン

• RQ1 HINにおける類似度測定法は、ユーザーが指定するメタパスやメタ構造の変化に対してどのようにして頑健に保たれるか。
• RQ2 多様な意味的関係を捉えるために、自動的に統一的なスキーマ的構造を構築できるか。
• RQ3 従来のメタパスやメタ構造と比較して、再帰的メタパスおよびメタツリーは意味的豊かさをどの程度向上させるか。
• RQ4 局所的およびグローバルな重み付け戦略は、ランク付けおよびクラスタリングタスクにおける類似度測定の性能にどのように影響を与えるか。
• RQ5 提案されたRMSSは、PathSim、BPCRW、BSCSEといった最先端の測定法を、頑健性および正確性の面で上回ることができるか。

主な発見

• RMSSは、局所的およびグローバルな重み付け戦略を用いる場合、複数のデータセットにおいてクラスタリングおよびランク付けタスクでPathSim、BPCRW、BSCSEを常に上回る性能を発揮する。
• CIKMおよびTKDEをソースオブジェクトとして使用した場合、RMSSの局所的重み付け戦略によるnDCGスコアはBPCRWよりもわずかに高いが、SIGMODではλ=0.4、0.5、0.6の設定でわずかに低い。
• グローバル重み付け戦略を用いたRMSSは、すべてのテスト設定でBSCSEをわずかに上回り、CIKMおよびTKDEをソースとして使用した場合、局所的重み付け戦略を用いたRMSSはBSCSEを上回る。
• nDCGの観点から見ると、PathSimはRMSS（局所的およびグローバル重み付け）に劣っており、RMSSの優れたランク付け性能を示している。
• RMSSのオンラインフェーズでは高い効率性を達成しており、DBLPr上でのオンライン計算時間は局所的戦略で0.0077秒、グローバル戦略で0.0237秒であり、BPCRWを速度面で上回っている（オフラインコストは高いが）。
• RMSSのオフラインフェーズは計算的に高負荷である（例：DBLPrでは約14.5k–15.0k秒）、が、GPUアクセラレーションを活用した分散環境で事前計算が可能であり、低遅延のオンライン類似度照会を実現できる。