小知识，大挑战！本文正在参与“ 程序员必备小知识 ”创作活动
本文同时参与 「掘力星计划」 ，赢取创作大礼包，挑战创作激励金
介绍： 许多现实世界的图涉及不同类型的节点和 节点之间的关系，本质上是异构的。 异构图（HG）的表示学习嵌入了丰富的结构 和这些图的语义到低维空间并促进 各种数据挖掘任务，如节点分类、节点聚类、 和链接预测。 在本文中，我们提出了一种自监督方法 依靠知识交流学习 HG 表示 不同 HG 结构语义（元路径）之间的发现。 具体来说，通过最大化元路径表示的互信息，我们促进元路径信息融合和共识，并且 确保对全局共享语义进行编码。 通过对节点分类、节点聚类和链接预测任务的广泛实验，义进行编码。 通过对节点分类、节点聚类和链接预测任务的广泛实验， 我们表明，对于所有任务，所提出的自我监督均优于竞争方法，并将其改进了 1% 和高达 10%。
介绍：
异构图 (HG) 对不同类型实体的组合进行建模 和关系，自然会出现在各种实际应用中。此类示例包括书目网络、社交网络和推荐 系统。将这种高维、非欧几里德和异构信息编码到低维欧几里德嵌入空间有助于各种 受益于欧几里德空间操作的数据相关任务，例如分类、聚类和链接预测。例如，可以通过使用传统的机器学习技术来完成这种编码，这些技术已经被证明 在学习嵌入（a.k.a. 表示）时很强大。然而 图性质（非欧几里得结构）和 HG 的异质性构成了很大的 他们的表征学习的挑战。此外，嵌入 HGs 基于 自监督信号允许各种表示的可重用性 任务和微调具有很少标记数据的特定任务
总结与展望：
在本文中，我们提出了 HeMI 来从异构图中学习表示。 HeMI依靠元路径信息融合和共识来 优化表示。 实验表明 HeMI 在各种节点相关的任务中优于竞争方法，例如节点分类、节点 聚类和链接预测。
