BiGI

ABSTRACT

二部圖的嵌入表示近來引起了人們的大量關注。但是之前的大多數方法採用基於隨機遊走或基於重構的目標，這些方法對於學習區域性圖結構通常很有效。

文章提出：二部圖的全域性性質，包括同質節點的社群結構和異質節點的長期依賴關係，都沒有得到很好的保留。因此文章提出二部圖嵌入表示，稱為BiGI，通過引入一個新的local-global infomax目標，來捕捉全域性屬性。BiGI首先生成一個全域性表示，該表示由兩個原型表示組成。然後，BiGI通過子圖級別的注意力機制將取樣的邊encode成區域性表示。通過最大化區域性表示和全域性表示的mutual information，使得二部圖中的節點具有全域性相關性。

文章在不同的基準資料集上進行實驗，目標為top-K和連結預測任務。

INTRODUCTION

最近在圖嵌入表示取得了很大的進展，雖然很多工作在同構和異構圖都能很好的工作，但是他們都不是為二部圖量身定做的。因此學習二部圖的嵌入表示是次優的。

為了解決這個問題，有許多專門的研究，大致分為兩類：基於隨機遊走和基於重啟方法。

• 基於隨機遊走：依賴於隨機行走的啟發式演算法來生成不同的節點序列。
• 基於重啟：通過預測滑動視窗內的上下文節點來學習節點表示。基於重啟的方法與協同過濾密切相關。它們試圖通過學習不同的編碼器來重建鄰接矩陣，特別的，一些工作訓練圖神經網路，通過遞迴的聚集鄰域節點的特徵來學習節點表示。