SFFAI 87 | 异构网络挖掘专题《晋嘉睿：一种高效的基于邻居的异构图交互模型》

关注公众号：【人工智能前沿讲习】，回复【SFFAI87】获取讲者PPT资料，入交流群，推荐论文下载。

异构图可以包含多种类结点和多种语义信息，在推荐系统中被广泛使用。但现有的工作或是借助路径或是邻居信息来对图上结点信息进行表征学习，这会照成过早聚合的问题。本期讲者晋嘉睿提出了一种全新的图上的交互模型，解决了此问题。

---

讲者介绍

晋嘉睿：上海交通大学博士二年级博士生，导师为张伟楠副教授和俞勇教授。研究兴趣是图数据挖掘和信息检索。

报告题目：一种高效的基于邻居的异构图交互模型

报告摘要：异构图可以包含多种类结点和多种语义信息，在推荐系统中被广泛使用。但在现有的工作或借助路径或是邻居信息来对图上结点信息进行表征学习。但是这会照成过早聚合的问题。本文提出了一种全新的图上的交互模型（NIRec）。首先该模型基于元路径引导邻居信息的收集，之后采用交互模型提取交互信息，并用聚合模型对得到的信息进行聚合。在图规模比较大的时候，往往交互模型会消耗大量时间。为了解决这一问题，本文采用快速傅里叶变换的方法对交互模型进行了加速。

Spotlight：

1. 首次在异构图上提出并解决过早聚合的问题。
2. 提出了一种全新的图上的交互模型和聚合模型，可以在结点维度和路径维度进行聚合。
3. 提出了一种基于快速傅里叶变换的快速训练和学习的方法。

---

论文推荐

1. Factorization Machines

   推荐理由：著名的FM模型起源，主要解决稀疏数据下的特征组合问题，是现有很多工业界点击率预估模型的启发作。

2. Wide & Deep Learning for Recommender Systems

   推荐理由：著名的Wide & Deep模型，现有模型很多模型是在Wide & Deep模型的改进，比如FM和Wide & Deep的Wide部分结合作品DeepFM，和Deep部分结合作品NFM。

3. node2vec Scalable Feature Learning for Networks

   推荐理由：著名的node2vec模型，结合深度优先游走和广度优先游走策略，现有模型struct2vec, metapath2vec等模型都是源于node2vec模型。

4. DeepFM A Factorization-Machine based Neural Network for CTR Prediction

   推荐理由：尝试将神经网络与FM机制结合。

5. Interactive Paths Embedding for Semantic Proximity Search on Heterogeneous Graphs

   推荐理由：尝试在图上路径维度找寻图上的交互系统。

6. An End-to-End Neighborhood-based Interaction Model for Knowledge-enhanced Recommendation

   推荐理由：尝试在图上结点维度找寻图上的交互系统。

---

参考资料

https://www.bilibili.com/video/BV1Lf4y1w798/
https://bbs.sffai.com/d/197