[论文解读] Relation Strength-Aware Clustering of Heterogeneous Information Networks with Incomplete Attributes

Yizhou Sun, Charų C. Aggarwal+1 more|arXiv (Cornell University)|Jan 31, 2012

Complex Network Analysis Techniques参考文献 22被引用 6

一句话总结

该论文提出GenClus，一种用于聚类异质信息网络的概率模型，通过联合利用不完整的属性和多种类型的链接，并自动学习关系强度，实现聚类。通过迭代优化链接权重和聚类分配，该方法在属性数据不完整且语义多样的关系中提升了真实网络的聚类准确率。

ABSTRACT

With the rapid development of online social media, online shopping sites and cyber-physical systems, heterogeneous information networks have become increasingly popular and content-rich over time. In many cases, such networks contain multiple types of objects and links, as well as different kinds of attributes. The clustering of these objects can provide useful insights in many applications. However, the clustering of such networks can be challenging since (a) the attribute values of objects are often incomplete, which implies that an object may carry only partial attributes or even no attributes to correctly label itself; and (b) the links of different types may carry different kinds of semantic meanings, and it is a difficult task to determine the nature of their relative importance in helping the clustering for a given purpose. In this paper, we address these challenges by proposing a model-based clustering algorithm. We design a probabilistic model which clusters the objects of different types into a common hidden space, by using a user-specified set of attributes, as well as the links from different relations. The strengths of different types of links are automatically learned, and are determined by the given purpose of clustering. An iterative algorithm is designed for solving the clustering problem, in which the strengths of different types of links and the quality of clustering results mutually enhance each other. Our experimental results on real and synthetic data sets demonstrate the effectiveness and efficiency of the algorithm.

研究动机与目标

• 解决在对象属性常不完整或缺失的情况下，对异质信息网络进行聚类的挑战。
• 根据用户指定的目标，建模不同链接类型在聚类过程中所体现的语义重要性差异。
• 开发一个统一的概率框架，整合基于属性和基于链接的相似性，并为不同关系类型自动学习权重。
• 实现在真实网络（如社交媒体和电子商务平台）中有效聚类，这些网络的数据稀疏且关系语义异质。

提出的方法

• 提出一种生成式概率模型，将异质对象映射到共享的潜在空间，以实现联合聚类。
• 引入关系强度参数，以建模不同链接类型在引导聚类形成中的相对重要性。
• 使用一种类似期望最大化（EM）的迭代算法，联合优化聚类分配和链接强度权重。
• 将数值属性和类别属性同时纳入模型，通过概率推理处理不完整的属性观测值。
• 通过假设链接对象更可能共享聚类成员身份来建模链接一致性，其中类型特定的权重反映语义相关性。
• 采用混合模型框架，其中链接似然度取决于相连节点的聚类成员身份及其特定关系的强度参数。

实验结果

研究问题

• RQ1 在属性数据不完整的情况下，如何提升异质信息网络中的聚类性能？
• RQ2 当聚类目标由属性子集指定时，如何最优地分配不同类型链接的相对重要性？
• RQ3 是否可以设计一个统一的概率模型，有效结合属性和多关系信息进行聚类，而无需完整属性集？
• RQ4 具有不同语义含义的链接类型如何影响聚类结果，其影响又如何自适应地学习？

主要发现

• 所提出的GenClus方法在具有不完整属性的真实和合成数据集上，聚类准确率显著高于基线方法。
• 关系强度的自动学习相比固定或等权重链接集成策略，能获得更优的聚类结果。
• 该模型通过利用关系结构有效处理缺失属性值，降低了对完整属性集的依赖。
• 实验表明，迭代优化过程能够收敛，并通过链接权重与聚类分配之间的相互增强提升聚类质量。
• 案例研究显示，该方法可成功利用混合属性和链接信息，在社交网络中识别出政治兴趣聚类。
• 该算法具有高效可扩展性，展现出在大规模异质网络中的实际应用潜力。