基于长程依赖的异构信息网络的多层感知器
摘要：基于长程依赖的多层感知器 (LDMLP) 在利用异构信息网络 (HINs) 中的丰富语义信息方面取得了很大的成功。然而，很少有研究探讨 HINs 中长程依赖的利用，这在许多现实世界的 HINs 中非常有价值，因为这些网络是稀疏的，每个节点只有很少直接的邻居连接。虽然一些 HGNNs 可以通过叠加多层或利用长度为 meta-paths 来利用远距离邻居，但是在接受域中节点数目或 meta-paths 数目成倍增加会导致高计算和内存开销。为了解决这些问题，我们研究了不同 meta-paths 的重要性，并提出了基于长程依赖的多层感知器 (LDMLP) 方法。具体来说，为了解决利用长程依赖的高成本问题，LDMLP 采用搜索阶段来自动发现有效的 meta-paths，将指数级增加的 meta-paths 数目减少到一个常数。为了避免特定模块对搜索结果的影响，LDMLP 在搜索阶段只使用多层感知器的简单结构，提高了搜索到的 meta-paths 的泛化能力。结果表明，搜索到的 meta-paths 在 LDMLP 中表现优秀，而且还能帮助其他 HGNNs，如 HAN 和 SeHGNN，表现更好。在八个异构数据集上的大量实验证明，LDMLP 在享受高效率和泛化能力的同时实现了最先进的性能，特别是在稀疏 HINs 上。
作者：Chao Li, Zijie Guo, Qiuting He, Hao Xu and Kun He
论文ID：2307.08430
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-07-18