属性付き多重異種ネットワークの表現学習

ネットワーク埋め込み（またはグラフ埋め込み）は、多くの実際の応用で広く使用されています。しかし、既存の手法は主に単一型のノード/エッジを持つネットワークに焦点を当てており、大規模なネットワークを処理するためにはスケーラビリティが十分ではありません。多くの実世界のネットワークは、数十億もの複数種類のノードとエッジから構成されており、各ノードには異なる属性が関連付けられています。本論文では、属性付き多重異種ネットワーク（Attributed Multiplex Heterogeneous Network）に対する埋め込み学習の問題を形式化し、この問題に対処する統一的なフレームワークを提案します。このフレームワークは伝導的学習と帰納的学習の両方をサポートしています。また、提案されたフレームワークの理論解析を行い、従来の研究との関連性を示し、その表現力の優位性を証明します。我々は提案したフレームワークに対して、Amazon、YouTube、Twitter、Alibabaという4つの異なるジャンルの課題データセット上で体系的な評価を行いました。実験結果は、提案したフレームワークから得られた埋め込みを使用することで、リンク予測における従来の最先端手法よりも統計的に有意な改善（例えばF1スコアで5.99-28.23%向上；p<<0.01, t検定）が達成できることを示しています。さらに、このフレームワークは世界最大級のEC企業であるアリババグループの推薦システムに成功裏に導入されました。製品推薦に関するオフラインA/Bテストの結果もまた、このフレームワークが実践において効果的かつ効率的であることを確認しています。