[논문 리뷰] A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources

Xiao Wang, Deyu Bo외 4명|arXiv (Cornell University)|2020. 11. 30.

Advanced Graph Neural Networks인용 수 42

한 줄 요약

이 종합 검토는 이종 그래프 임베딩 방법, 분류 체계, 기법, 실제 배치, 데이터셋 및 오픈 소스 도구를 포괄적으로 검토하며 도전 과제와 향후 방향을 강조합니다.

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.

연구 동기 및 목표

• 이종 그래프의 기본 개념을 소개하고 HG 임베딩의 고유한 도전 과제를 확인한다
• 학습에 사용되는 정보에 따라 최첨단 HG 임베딩 방법을 체계적으로 분류한다
• 실세계 설정에서 HG 임베딩 방법의 장단점과 변환 가능성을 분석한다
• 향후 연구를 촉진하기 위해 오픈 소스 코드, 플랫폼 및 벤치마크 데이터세트를 요약한다
• 이종 그래프 임베딩의 열린 이슈를 논의하고 향후 방향을 예측한다

제안 방법

• 구조 보존형, 속성 보조형, 응용 지향형 및 동적 접근 방식으로 HG 임베딩 방법을 분류한다
• 링크, 메타-경로, 서브그래프(메타-경로, 메타그래프 및 하이퍼에지 등)를 기준으로 구조 보존 방법을 검토한다
• 메타경로2vec, 메타그래프2vec, mg2vec, DHNE 등을 포함한 경로- 및 서브그래프 기반 방법을 논의한다
• 이질적 속성이 융합을 필요로 하고 모델 설계에 영향을 주는 방식을 설명한다
• 고차원 관계를 포착하는 데 있어 메타-경로와 메타그래프의 역할을 강조한다
• 관계 특화 투영, 번역 거리 함수, 또는 공동 다중 작업 목표를 사용하는 예를 제시한다

실험 결과

연구 질문

• RQ1 HG 임베딩에서 이질성이 동질 그래프와 비교하여 제기하는 근본적인 도전 과제는 무엇인가?
• RQ2 HG 임베딩 방법은 구조, 속성, 도메인 지식 등의 다양한 정보 유형을 어떻게 활용하여 이러한 도전에 대응할 수 있는가?
• RQ3 링크 기반, 경로 기반, 서브그래프 기반 HG 임베딩 방법의 상대적 강점과 한계는 무엇인가?
• RQ4 HG 임베딩 기법은 실제 배치 및 응용으로 어떻게 변환되는가?
• RQ5 향후 HG 임베딩 연구를 지원하기 위한 오픈 소스 자원과 벤치마크는 무엇인가?

주요 결과

• HG 임베딩 방법은 이질적 구조와 이질적 속성을 다루어야 하며, 이는 동질 그래프와 다르다
• 정보 사용에 따라 구조, 속성, 응용 신호 및 동적 특성에 기반한 HG 임베딩 방법의 분류가 있다
• 링크-기반, 경로-기반, 서브그래프 기반 접근법은 이질성 보존에 대해 보완적 관점을 제공하며, 복잡도와 확장성에 트레이드오프가 있다
• 메타-경로와 메타그래프 개념은 고차원 의미를 포착하게 하고, 무작위 걷기 및 하이브리드 관계 방법은 다양한 학습 전략을 제공한다
• 여러 방법이 이질적 관계를 모델링하기 위해 관계 특화 투영, 번역 거리 함수 또는 다중 작업 공동 목표를 사용한다
• 이 연구는 오픈 소스 코드, 플랫폼 및 벤치마크 데이터셋을 매핑하여 향후 HG 임베딩 연구를 촉진한다