[논문 리뷰] DMSS: A Robust Deep Meta Structure Based Similarity Measure in Heterogeneous Information Networks.

Yu Zhou, Jianbin Huang외 3명|arXiv (Cornell University)|2017. 12. 25.

Advanced Graph Neural Networks참고 문헌 25인용 수 1

한 줄 요약

이 논문은 깊이 있는 메타 구조 기반 유사도 측정 방법인 DMSS를 제안한다. 이는 이질적 정보 네트워크에서 자동으로 깊이 있는 메타 구조를 구성하고, 학습 가능한 가중치를 사용하여 다수의 깊이 있는 메타 경로를 통합한다. 이는 구조적 변화에 대해 강건하기 때문에 클러스터링 및 랭킹 작업에서 최신 기술보다 뛰어난 성능을 보이며, 특히 최적의 감쇠 파라미터를 사용할 경우 두드러진다.

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.

연구 동기 및 목표

• 기존의 이질적 정보 네트워크 유사도 측정 방법이 사용자 지정 메타 경로 또는 메타 구조에 민감한 문제를 해결하기 위해.
• 자동으로 깊이 있는 메타 구조를 구성함으로써 다양한 의미 관계를 통합하는 통합 프레임워크를 개발하기 위해.
• 깊이 있는 메타 구조 내의 의미를 분해하여 깊이 있는 메타 경로로 나누고, 그들의 교환 행렬을 가중 조합함으로써 형식화하기 위해.
• 유사도 계산이 메타 경로 또는 구조의 수동 지정에 크게 의존하지 않도록 하기 위해.
• 적응형 가중치 할당과 감쇠 파라미터 튜닝을 통해 클러스터링 및 랭킹과 같은 후속 작업의 성능을 향상시키기 위해.

제안 방법

• 이질적 정보 네트워크에 포함된 모든 가능한 메타 경로와 메타 구조를 통합하는 통합적 구조적 표현으로 깊이 있는 메타 구조를 제안한다.
• 의미 형식화와 계산을 가능하게 하기 위해 깊이 있는 메타 구조를 구성 요소인 깊이 있는 메타 경로로 분해한다.
• 각 깊이 있는 메타 경로에 대해 유사도 전파를 모델링하기 위한 교환 행렬을 구축한다.
• 다양한 경로의 기여도를 균형 잡기 위해 제안된 전략에서 유래한 학습 가능한 가중치를 사용하여 모든 교환 행렬을 통합한다.
• 가중된 교환 행렬의 합으로 최종 DMSS 유사도 측정 방법을 정의하여 구조적 변화에 강건함을 보장한다.
• 더 긴 경로의 영향을 제어하기 위해 감쇠 파라미터를 활용하여 랭킹 및 클러스터링 작업에서 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 이질적 정보 네트워크에서 모든 가능한 메타 경로와 메타 구조를 통합할 수 있는 통합 프레임워크는 어떻게 설계할 수 있는가?
• RQ2 사용자 지정 메타 경로 또는 메타 구조의 변화에 대해 얼마나 강건한가?
• RQ3 자동으로 깊이 있는 메타 구조를 구성하는 방법이 이질적 네트워크에서의 유사도 계산을 향상시킬 수 있는가?
• RQ4 깊이 있는 메타 경로 간의 학습 가능한 가중치는 클러스터링 및 랭킹에서의 유사도 측정 성능에 어떤 영향을 미치는가?
• RQ5 감쇠 파라미터는 제안된 DMSS 측정 방법의 강건성과 효과성에 어떤 영향을 미치는가?

주요 결과

• 제안된 DMSS 방법은 최신 기술 유사도 측정 방법에 비해 클러스터링 및 랭킹 작업에서 뛰어난 성능을 보였다.
• 기존의 유사도 측정 지표는 메타 경로 또는 메타 구조의 선택에 매우 민감하여 종종 일관되지 않은 성능을 보였다.
• DMSS는 깊이 있는 메타 구조를 자동으로 구성하고, 적응형 가중치를 통한 다수의 깊이 있는 메타 경로 통합을 통해 강건성을 확보했다.
• 특히 랭킹 및 클러스터링 평가에서 감쇠 파라미터가 적절히 선택된 경우, 기준 방법보다 성능이 뛰어났다.
• 깊이 있는 메타 구조를 깊이 있는 메타 경로로 분해함으로써 효과적인 의미 형식화와 확장 가능한 유사도 계산이 가능해졌다.
• 학습 가능한 가중치를 가진 교환 행렬의 사용은 복잡한 네트워크 의미를 포착하면서도 계산 효율성을 유지할 수 있도록 했다.