康世泽 吉立新 张建朋

(战略支援部队信息工程大学 郑州 450001)

1 引言

异质信息网络为具有多种类型(类型数量大于1)节点或边的复杂网络[1]。学术领域广泛研究的异质信息网络有两种：(1)具有简单模式层的异质信息网络；(2)具有复杂模式层(本体层[2])的知识图谱。异质信息网络中不同类型的边与节点使其蕴含丰富且复杂的语义信息，这为对其进行表示学习带来了挑战。

简单模式层的异质信息网络与知识图谱通常遵循不同的表示学习方法。之前主流的知识表示模型为TransE[3]及其相关变体。近年来又有基于卷积神经网络[4]或图神经网络[5]的知识表示方法。而简单模式层的异质信息网络大多基于元路径捕获网络结构信息以实现表示学习[6,7]。

上述表示学习方法的不同是由两种网络的差异造成的，具体表现在：(1)知识图谱的关系信息更加复杂。常用的异质信息网络在两个实体节点之间通常仅存在一种类型的边，而知识图谱中两个实体节点之间可以存在多种类型的关系。(2)两种网络面向的任务不完全相同。知识图谱面向的任务偏向推理，而简单模式层的异质信息网络面向的任务偏向分类。

为了同时表征知识图谱和简单模式层的异质信息网络，本文提出一种基于图注意力网络的异质信息网络表示学习框架。该框架可以分为3部分：基础向量部分，传播模型部分和任务模型部分。其中基础向量用于训练网络的基础向量，传播模型用于学习网络中的高阶信息，而任务模型用于执行不同的任务。……