[논문 리뷰] Recurrent Meta-Structure for Robust Similarity Measure in Heterogeneous Information Networks

Yu Zhou, Jianbin Huang외 2명|arXiv (Cornell University)|2017. 12. 25.

Advanced Graph Neural Networks참고 문헌 41인용 수 6

한 줄 요약

이 논문은 이질적 정보 네트워크(HINs)에서 사용자 지정된 메타경로 또는 메타구조에 민감하지 않게 작동하는 강건한 유사도 측정 방법인 반복적 메타구조 기반 유사도(RMSS)를 제안한다. RMSS는 모든 가능한 메타경로와 메타구조를 통합하기 위해 자동으로 반복적 메타구조를 구성하며, 이 구조를 반복적 메타경로와 메타트리로 분해하여 그들의 교환행렬을 계산하고 국소 또는 전역 가중 전략을 활용해 통합함으로써 클러스터링 및 랭킹 작업에서 뛰어난 성능을 달성한다. 이는 사용자 지정 메타경로나 메타구조에 영향을 받지 않는다.

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.

연구 동기 및 목표

• 기존 HIN 유사도 측정 방법이 사용자 지정 메타경로 또는 메타구조에 민감한 문제를 해결한다.
• 메타경로와 메타구조가 복잡하고 편향된 의미를 포착하는 데 한계가 있음을 극복한다.
• 모든 가능한 체계적 구조를 통합하는 자동화되고 강건한 프레임워크를 개발한다.
• 메타경로 또는 메타구조의 선택에 영향을 받지 않는 통합된 유사도 측정 방법을 제안한다.
• 의미가 풍부하고 구조 인식 능력을 갖춘 유사도 계산을 통해 클러스터링 및 랭킹 작업의 성능을 향상시킨다.

제안 방법

• HIN 내에서 객체 유형을 반복적으로 탐색할 수 있는 체계적 구조인 반복적 메타구조(RecurMS)를 도입하여 복잡하고 의미가 풍부한 패턴을 자동으로 구성한다.
• 객체 유형을 분리하고 세분화된 의미 모델링을 가능하게 하기 위해 RecurMS를 반복적 메타경로와 반복적 메타트리로 분해한다.
• 각 반복적 메타경로와 메타트리에 대해 교환행렬을 정의하여 객체 간의 의미 관계를 수학적으로 형식화한다.
• 국소 또는 전역 가중 전략에 따라 결정된 가중치를 사용해 교환행렬을 가중 합산하여 통합한다.
• 최종적으로 통합된 행렬을 바탕으로 반복적 메타구조 기반 유사도(RMSS) 측정 방법을 정의한다.
• 효율성을 위해 오프라인(구조 구성 및 행렬 계산)과 온라인(유사도 검색) 단계로 분리하여 계산을 수행한다.

실험 결과

연구 질문

• RQ1 HIN 내에서의 유사도 측정 방법이 사용자 지정 메타경로 또는 메타구조의 변화에 대해 어떻게 강건하게 유지될 수 있는가?
• RQ2 다양한 의미적 관계를 포착하기 위해 자동으로 통합된 체계적 구조를 구성할 수 있는가?
• RQ3 기존 메타경로 및 메타구조에 비해 반복적 메타경로와 메타트리는 의미의 풍부함을 얼마나 향상시키는가?
• RQ4 국소 및 전역 가중 전략이 랭킹 및 클러스터링 작업에서 유사도 측정 성능에 어떤 영향을 미치는가?
• RQ5 제안된 RMSS는 PathSim, BPCRW, BSCSE와 같은 최첨단 측정 방법보다 강건성과 정확도 측면에서 뛰어나게 성능을 발휘할 수 있는가?

주요 결과

• RMSS는 국소 및 전역 가중 전략을 모두 사용할 경우, 다양한 데이터셋에서 클러스터링 및 랭킹 작업에서 PathSim, BPCRW, BSCSE를 일관되게 능가한다.
• CIKM 및 TKDE를 소스 객체로 사용할 경우, RMSS의 국소 가중 전략에 의한 nDCG 점수는 BPCRW보다 略적으로 높지만, λ=0.4, 0.5, 0.6일 때 SIGMOD에 대해서는 약간 낮다.
• 모든 테스트 설정에서 RMSS의 전역 가중 전략은 BSCSE를 略적으로 능가하며, CIKM 및 TKDE를 소스로 사용할 경우 RMSS의 국소 가중 전략도 BSCSE를 능가한다.
• nDCG 측면에서 RMSS는 PathSim을 능가함을 보여, RMSS의 뛰어난 랭킹 성능을 입증한다.
• RMSS는 온라인 단계에서 높은 효율성을 달성했으며, DBLPr에서 온라인 계산 시간은 국소 전략 시 0.0077초, 전역 전략 시 0.0237초로, 높은 오프라인 비용에도 불구하고 BPCRW보다 빠른 속도를 기록했다.
• RMSS의 오프라인 단계는 계산적으로 매우 부담스럽지만(예: DBLPr에서 약 14.5k~15.0k초), 분산 환경에서 GPU 가속을 활용해 사전 계산할 수 있어 저지연 온라인 유사도 쿼리가 가능하다.