一种基于GAN的异构信息网络表示学习方法
【摘要】 异构信息网络中包含丰富的结构和语义信息，通过网络表示学习保留异构信息网络的结构和语义信息是当前研究的热点。传统的异构信息网络表示学习方法局限于利用元路径的形式保留异构信息网络中的语义信息，缺乏考虑网络中所有节点的分布情况，保留的信息不够充分。因此，本文提出一种基于生成式对抗网络(GenerativeAdversarialNet-works，GAN)的异构信息网络表示学习方法(HINGAN)，其能更好地保留网络中的结构信息和语义信息。HINGAN中通过生成模型和判别模型的对抗学习，提高表示学习的鲁棒性。基于2个真实数据集的实验结果表明，本文提出的模型与传统的异构信息网络方法相比，在节点分类和链接预测任务中的结果都有明显提升。
