Graph Transformer Network论文分享
本文核心在于基于已有的网络结构去学习生成元路径来获取节点高阶邻居,然后用图卷积在新生成的网络结构上进行聚合信息来学习表示
A
, a move consists of choosing any A[i]
, and incrementing it by 1
.
本文提出了异质图上transformer结构HGT,保留节点特征分布异质性,提出元关系,并使用基于元关系计算相似度替代点乘,模型中利用相对时间差对动态图进行建模并提出HGSampling方法以解决规模大的图结构,在多个节点分类与链接预测任务上相较其他HGNN取得SOTA效果。paper
WWW2020
本文为尝试将结构化信息建模在深度聚类任务中,并提出了全新的结构化深度聚类模型,其中包括一个DNN模块、GCN模块和双重自监督模块,并通过一个delivery operator成功将autoencoder和GCN所学到的表示结合在一起,并从理论上证明了其有效性。Paper
Update your browser to view this website correctly. Update my browser now