Darstellungslernen für attributierte multiplex heterogene Netzwerke

Netzwerkeinbettung (oder Grapheneinbettung) wird in vielen praktischen Anwendungen weit verbreitet eingesetzt. Bestehende Methoden konzentrieren sich jedoch hauptsächlich auf Netzwerke mit einheitlichen Knoten-/Kantenarten und können große Netzwerke nicht gut skalieren. Viele realweltliche Netzwerke bestehen aus Milliarden von Knoten und Kanten verschiedener Arten, wobei jeder Knoten mit unterschiedlichen Attributen assoziiert ist. In dieser Arbeit formalisieren wir das Problem der Einbettungslernen für das attributierte multiplex heterogene Netzwerk und schlagen ein einheitliches Framework vor, um dieses Problem zu lösen. Das Framework unterstützt sowohl transduktives als auch induktives Lernen. Wir führen außerdem eine theoretische Analyse des vorgeschlagenen Frameworks durch, zeigen seine Verbindungen zu früheren Arbeiten und beweisen seine bessere Ausdrucksstärke. Wir führen systematische Evaluierungen des vorgeschlagenen Frameworks an vier verschiedenen Arten anspruchsvoller Datensätze durch: Amazon, YouTube, Twitter und Alibaba. Die experimentellen Ergebnisse zeigen, dass mit den gelernten Einbettungen aus dem vorgeschlagenen Framework statistisch signifikante Verbesserungen (z.B. 5,99-28,23% Steigerung der F1-Werte; p<<0,01, t-Test) im Vergleich zu früheren Stand-of-the-Art-Methoden für die Linkprognose erzielt werden können. Das Framework wurde zudem erfolgreich im Empfehlungssystem eines weltweit führenden E-Commerce-Unternehmens, der Alibaba Group, implementiert. Die Ergebnisse der Offline-A/B-Tests zur Produktempfehlung bestätigen die Effektivität und Effizienz des Frameworks in der Praxis weiterhin.