ارائه یک روش شبکه عصبی متا مسیر برای تعبیه سازی گراف ناهمگن

گراف ها یا شبکه های دنیای واقعی ذاتا ناهمگن هستند و انواع گره ها و انواع روابط بین آن ها را شامل می شوند. تعبیه گراف ناهمگنتعبیه سازی اطلاعات ساختاری و معنایی غنی از یک گراف ناهمگن در نمایش گره های با ابعاد پایین است که مدل های موجودچندین متا مسیر را در یک گراف ناهمگن تعریف و ترکیب روابط و همسایه ها را بر اساس آن انتخاب می کنند. با این حال، اینمدل ها ویژگی های محتوای گره را حذف می کنند، گره های میانی را در امتداد متا مسیر (توالی های ثابت انواع گره) حذف می کنند یافقط یک متا مسیر را در نظر می گیرند. ما یک مدل جدید به نام شبکه عصبی گراف متا مسیر برای تقویت عملکرد نهایی پیشنهادمی کنیم. روش پیشنهادی از سه جزء اصلی تبدیل محتوای گره برای ثبت ویژگی های گره ورودی، تجمیع درون متا مسیر برایترکیب گره های میانی و تجمیع بین متا مسیر برای ترکیب چندین متا مسیر استفاده می کند. آزمایش های گسترده بر روی سهمجموعه داده های گراف ناهمگن در دنیای واقعی برای طبقه بندی گره، خوشه بندی گره و پیش بینی لینک نشان می دهد که روشپیشنهادی به نتایج پیش بینی دقیق تری نسبت به روش های پایه دست یافته است.