元多图搜索：重新思考异构信息网络上的元结构
摘要：通过对现有的元结构进行调查，我们观察到它们最初是采用固定模式手动设计的，因此无法对不同的异构信息网络中的各种丰富语义信息进行编码。通过对限制的反思，我们定义了一种新的概念，称之为元多图，作为元图的更具表达性和灵活性的普遍化。我们提出了一种稳定可微分的搜索方法，用于自动优化特定的异构信息网络和任务的元多图。由于元多图的灵活性可能会传播冗余消息，我们进一步引入了一种从复杂到简洁（C2C）的元多图，沿着元多图的深度将消息从复杂传播到简洁。此外，我们观察到可微分搜索通常会遭受不稳定的搜索和搜索与评估之间显著差距的困扰。为此，我们提出了一种渐进搜索算法，通过隐式缩小搜索空间来提高搜索的稳定性和减少不一致性。我们在六个中等规模的基准数据集和一个大规模基准数据集上进行了大量实验，涵盖了节点分类和推荐两个典型任务。实验证据表明，我们的搜索方法能够自动找到具有表达力的元多图和C2C元多图，使我们的模型能够胜过最先进的异构图神经网络。
作者：Chao Li, Hao Xu, Kun He
论文ID：2304.11574
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-07-13