ترجمه فارسی مقاله استفاده از مسیرهای چندوجهی برای یادگیری نمایش ناهمگن گراف

چکیده

Recent advancements in graph neural networks (GNNs) and heterogeneous GNNs (HGNNs) have advanced node embeddings and relationship learning for various tasks. However, existing methods often rely on domain-specific predefined meta-paths, which are coarse-grained and focus solely on aspects like node type, limiting their ability to capture complex interactions. We introduce MF2Vec, a model that uses multi-faceted (fine-grained) paths instead of predefined meta-paths. MF2Vec extracts paths via random walks and generates multi-faceted vectors, ignoring predefined schemas. This method learns diverse aspects of nodes and their relationships, constructs a homogeneous network, and creates node embeddings for classification, link prediction, and clustering. Extensive experiments show that MF2Vec outperforms existing methods, offering a more flexible and comprehensive framework for analyzing complex networks. The code is available at https://anonymous.4open.science/r/MF2Vec-6ABC.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در شبکه های عصبی نمودار (GNN) و GNN های ناهمگن (HGNN) دارای تعبیه گره پیشرفته و یادگیری روابط برای کارهای مختلف هستند.با این حال ، روشهای موجود اغلب به متا از پیش تعریف شده دامنه متکی هستند ، که درشت دانه هستند و صرفاً روی جنبه هایی مانند نوع گره تمرکز می کنند و توانایی آنها در گرفتن تعامل پیچیده را محدود می کنند.ما MF2VEC را معرفی می کنیم ، مدلی که از مسیرهای چند وجهی (ریز دانه) به جای متا از پیش تعریف شده استفاده می کند.MF2VEC مسیرها را از طریق پیاده روی های تصادفی استخراج می کند و بردارهای چند وجهی تولید می کند ، و از طرح های از پیش تعریف شده غافل می شود.این روش جنبه های متنوعی از گره ها و روابط آنها را می آموزد ، یک شبکه همگن ایجاد می کند و برای طبقه بندی ، پیش بینی پیوند و خوشه بندی ، تعبیه گره ایجاد می کند.آزمایش های گسترده نشان می دهد که MF2VEC از روشهای موجود بهتر عمل می کند و یک چارچوب انعطاف پذیر و جامع تر برای تجزیه و تحلیل شبکه های پیچیده ارائه می دهد.این کد در https://anonymous.4open.science/r/mf2vec-6abc در دسترس است.