تولید خودکار الگوی حرکت در گراف‌های نامتجانس برای یادگیری بازنمایی

در این مقاله، مسئله یادگیری بازنمایی در گراف‌های نامتجانس مورد بررسی قرار گرفته است. به دلیل وجود انواع مختلف راس‌ها و یال‌ها در این نوع گراف‌ها، چالش‌های منحصربه‌فردی وجود دارد که امکان استفاده از تکنیک‌‌های مرسوم بازنمایی گراف را محدود می‌کند. نحوه پیمایش در این نوع گراف‌ها متفاوت است و برای پیدا کردن مسیر، نیازی به الگوی پیمایش یا metapath دارند. مشخص کردن این الگو، یکی از چالش‌های یادگیری بازنمایی در گراف‌های نامتجانس است. در این مقاله، الگوریتمی معرفی شده است که با گرفتن یک گراف نامتجانس همه‌ی الگوهای metapath ممکن را پیدا کرده و با مشخص کردن الگوهای درست و بررسی آن‌ها بهترین الگوی metapath را پیدا می‌کند. آزمایشات گوناگون نشان می‌دهد که با نمونه‌برداری کوچکی از شبکه به صورت پیمایش‌های کوتاه می‌توان بصورت خودکار مناسب‌ترین الگو را پیدا کرده و نشان داد که با تغییر اندازه نمونه‌برداری، الگوی انتخاب شده بهترین الگو است و از نظر زمانی تنها در 0.007 درصد از زمان بکارگیری پیمایش‌های طولانی، قابل اجراست.

automatic metapath generating in heterogeneous graphs for representation learning

in this article, the problem of learning representation in heterogeneous graphs is investigated. due to the presence of different types of nodes and edges in this type of graphs, there are unique challenges that limit the possibility of using conventional graph representation techniques. the way of random walk in this type of graphs is different and they need a walking scheme or metapath to find the path. specifying this scheme is one of the challenges of learning representation in heterogeneous graphs. in this article, an algorithm has been introduced that finds all possible metapath schema by taking an heterogeneous graph and finds the best metapath scheme by specifying the correct schema and checking them. various experiments show that with a small sampling of the network in the form of short length, the most suitable scheme can be found automatically and it is shown that by changing the sampling size, the selected scheme is the best scheme and in terms of time only runs in 0.007% of the time using long random walks.