metapath2vec：面向异构网络的可扩展表示学习

我们研究异质网络中的表示学习问题。其独特挑战源于网络中存在多种类型的节点和边，这限制了传统网络嵌入技术的适用性。为此，我们提出了两种可扩展的表示学习模型，即 metapath2vec 和 metapath2vec++。metapath2vec 模型通过形式化基于元路径（meta-path）的随机游走，构建节点的异质邻域，并利用异质 Skip-gram 模型实现节点嵌入。metapath2vec++ 模型进一步实现了对异质网络中结构相关性与语义相关性的联合建模。大量实验结果表明，metapath2vec 和 metapath2vec++ 不仅在多种异质网络挖掘任务（如节点分类、聚类和相似性搜索）中优于当前最先进的嵌入模型，还能有效识别不同网络对象之间的结构与语义关联。