面向异构信息融合的复杂网络表征学习研究

Network representation learning, aiming to learn the representations of nodes in a low dimensional vector space, has been received considerable attentions. While in reality, there are always various types of heterogeneous information associated with the network topological structure, which provide more perspectives for describing the network. As a result, when we incorporate the heterogeneous information to network representation learning, it is of great importance to investigate the relationship between the heterogeneous information and the network topology, so as to more effectively explore the heterogeneous information to improve the network representation learning. The proposal focuses on the node attributes, link attributes and node types, and aims to address the new challenges brought by incorporating the heterogeneous information. Specifically, we first study the potential relationship between node attributes and network topology, and.propose their new fusion form based the complementary criterion; then, as for the positive and negative link attributes, we study how to preserve the structural balance for the signed network representation learning; based on the previous two types of attribute networks, we further propose a method to preserve their community structure; finally, we consider the multiple types of nodes in heterogeneous network and propose heterogeneous hyper-network representation learning model which can preserve the impartible and high-order structures of.hyper links. Also, we develop the prototype system. We strive for the innovative and breakthrough research achievements in our proposal.

网络表征学习的目的是为网络节点学习一个低维向量空间中的表达，已经成为复杂网络研究的一个热点问题。但真实世界网络中往往关联着丰富的异构信息，为网络数据提供了另一种描述视角。因此探索不同异构信息与网络拓扑的关系，处理由于引入异构信息时所带来的新问题，从而更高效合理地利用异构信息辅助网络表征学习具有重要的意义。 本项目拟以节点属性、链接属性及节点类型三种异构信息为出发点，试图解决融合这些异构信息时给网络表征学习带来的新的挑战。首先针对节点属性，探索其与网络拓扑结构的潜在关系，提出基于互补性准则的融合新形式；其次从链接符号属性出发，研究如何在网络表征学习中保持引入正负链接后所具有的结构平衡性；然后基于前面两种属性网络，研究如何保持网络中观社区结构；最后探索异构超网络表征学习中如何保持超边的不可分特性及高阶关系，同时建立实验验证平台，力争取得具有创新性和突破性的研究成果。

网络表征学习的目的是为网络节点学习一个低维向量空间中的表达，已经成为复杂网络研究的一个热点问题，尤其是近年来以图神经网络为代表的网络表示学习技术，已经成为当前深度学习研究的新浪潮。然而真实世界的网络类型复杂，包含同质与异质网络，本项目围绕同质网络、异质网络开展系统深入的研究。主要探究了同质网络的自适应多通路图神经网络、独立性增强的图神经网络等模型；针对异质网络，主要研究了异质图注意力网络、双曲空间异质图嵌入模型、动态异质图嵌入模型、异构超图嵌入模型等；最后针对一系列实际应用，开展了多成分图卷积协同过滤模型，用于推荐系统，基于图神经网络的深度聚类模型等。本项目围绕以上研究内容完成学术论文28篇，其中 CCF A 类的权威期刊和会议论文共19 篇，并申请了专利多项，并开源了一套异质网络表示学习的工具包，集成了主流的多种异质图表示学习模型。这些成果也获得了国内外同行的广泛认可，三年的引用约 1000 次，已经初步取得一定的影响力。本项目主要基于图神经网络研究了面向异构信息融合的网络表示学习的若干关键问题。探索了同质图神经网络中结构与特征的融合问题，研究了异质图神经网络中基于元路径的信息融合问题，并探讨了异质图在动态环境中的增量学习问题，这些问题都是在信息与结构融合中的本质问题，为更好提高当前网络表示学习能力奠定了重要的基础。