شماره ركورد كنفرانس :
5454
عنوان مقاله :
توليد خودكار الگوي حركت در گراف‌هاي نامتجانس براي يادگيري بازنمايي
عنوان به زبان ديگر :
Automatic Metapath Generating in Heterogeneous Graphs for Representation Learning
پديدآورندگان :
بيرانوند آزاده a.Beiranvand@grad.kashanu.ac.ir دانشكده برق و كامپيوتر ـ دانشگاه كاشان ـ كاشان , نادعلي مريم maryam.nadali@grad.kashanu.ac.ir گروه هوش مصنوعي- دانشكده برق و كامپيوتر ـ دانشگاه كاشان ـ كاشان , تخت‌كش عارفه a.takhtkesh@grad.kashanu.ac.ir گروه هوش مصنوعي- دانشكده برق و كامپيوتر ـ دانشگاه كاشان ـ كاشان , وحيدي‌پور مهدي vahidipour@kashanu.ac.ir گروه هوش مصنوعي- دانشكده برق و كامپيوتر ـ دانشگاه كاشان ـ كاشان
كليدواژه :
تعبيه گراف , يادگيري بازنمايي‌هاي نامتجانس , بازنمايي‌هاي پنهان , پياده‌روي تصادفي , الگوي metapath
عنوان كنفرانس :
دهمين كنفرانس بين المللي وب پژوهي
چكيده فارسي :
در اين مقاله، مسئله يادگيري بازنمايي در گراف‌هاي نامتجانس مورد بررسي قرار گرفته است. به دليل وجود انواع مختلف راس‌ها و يال‌ها در اين نوع گراف‌ها، چالش‌هاي منحصربه‌فردي وجود دارد كه امكان استفاده از تكنيك‌‌هاي مرسوم بازنمايي گراف را محدود مي‌كند. نحوه پيمايش در اين نوع گراف‌ها متفاوت است و براي پيدا كردن مسير، نيازي به الگوي پيمايش يا metapath دارند. مشخص كردن اين الگو، يكي از چالش‌هاي يادگيري بازنمايي در گراف‌هاي نامتجانس است. در اين مقاله، الگوريتمي معرفي شده است كه با گرفتن يك گراف نامتجانس همه‌ي الگوهاي metapath ممكن را پيدا كرده و با مشخص كردن الگوهاي درست و بررسي آن‌ها بهترين الگوي metapath را پيدا مي‌كند. آزمايشات گوناگون نشان مي‌دهد كه با نمونه‌برداري كوچكي از شبكه به صورت پيمايش‌هاي كوتاه مي‌توان بصورت خودكار مناسب‌ترين الگو را پيدا كرده و نشان داد كه با تغيير اندازه نمونه‌برداري، الگوي انتخاب شده بهترين الگو است و از نظر زماني تنها در 0.007 درصد از زمان بكارگيري پيمايش‌هاي طولاني، قابل اجراست.
چكيده لاتين :
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.
