[论文解读] 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 1

一句话总结

该论文提出DMSS，一种基于深度元结构的鲁棒相似度度量方法，适用于异质信息网络，可自动构建深度元结构，并利用可学习权重整合多种深度元路径。由于对图结构变化具有鲁棒性，该方法在聚类和排序任务中优于当前最先进方法，尤其在最优衰减参数下表现更优。

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.

研究动机与目标

• 解决现有相似度度量方法在异质信息网络中对用户指定的元路径或元结构敏感的问题。
• 开发一种统一框架，通过自动构建深度元结构来捕捉多样的语义关系。
• 通过将深度元结构分解为深度元路径，并对其交换矩阵进行加权组合，形式化其语义内涵。
• 实现对人工指定元路径或结构依赖性更低的鲁棒相似度计算。
• 通过自适应权重分配与衰减参数调优，提升下游任务（如聚类与排序）的性能。

提出的方法

• 提出深度元结构作为统一的图谱表示，封装异质信息网络中所有可能的元路径与元结构。
• 将深度元结构分解为构成的深度元路径，以支持语义的形式化与计算。
• 为每条深度元路径构建交换矩阵，以建模基于路径的相似度传播。
• 通过所提出的策略生成可学习权重，将所有交换矩阵进行组合，以平衡不同路径的贡献。
• 基于交换矩阵的加权和定义最终的DMSS相似度度量，确保对结构变化的鲁棒性。
• 引入衰减参数以控制长路径的影响，优化排序与聚类任务的性能。

实验结果

研究问题

• RQ1 如何设计一种统一框架，以整合异质信息网络中所有可能的元路径与元结构？
• RQ2 相似度度量对用户指定的元路径或元结构变化的鲁棒性如何？
• RQ3 一种自动构建深度元结构的方法能否提升异质网络中相似度计算的性能？
• RQ4 深度元路径间可学习权重的设置对聚类与排序任务中相似度度量性能有何影响？
• RQ5 衰减参数对所提出的DMSS度量方法的鲁棒性与有效性有何影响？

主要发现

• 所提出的DMSS方法在聚类与排序任务中表现优于当前最先进相似度度量方法。
• 现有相似度度量对元路径或元结构的选择高度敏感，常导致性能不一致。
• DMSS通过自动构建深度元结构并利用自适应加权整合多条深度元路径，实现鲁棒性。
• 当衰减参数选择适当时，该方法在排序与聚类评估中显著优于基线方法。
• 将深度元结构分解为深度元路径，实现了有效的语义形式化与可扩展的相似度计算。
• 使用可学习权重的交换矩阵使DMSS能够捕捉复杂网络语义，同时保持计算效率。