【WWW2021】通过互信息最大化的二部图嵌入

由于二部图在各种应用领域中得到了广泛的应用，因此嵌入二部图引起了人们的广泛关注。以往的方法大多采用基于随机行走或基于重构的目标，对学习局部图结构是典型的有效方法。但是，二部图的全局性质，包括同构节点的社区结构和异构节点的远程依赖关系，并没有很好地保存下来。在本文中，我们提出了一种称为BiGI的二部图嵌入，通过引入一个新的局部-全局信息目标来捕获这种全局性质。具体来说，BiGI首先生成一个由两个原型表示组成的全局表示。然后BiGI通过提出的子级注意机制将采样的边缘编码为局部表示。BiGI通过最大化局部表示和全局表示之间的互信息，使二部图中的节点具有全局相关性。我们的模型在各种基准数据集上评估top-K推荐和链接预测任务。大量的实验证明BiGI在最先进的基线上实现了一致和显著的改进。详细的分析验证了二部图全局性质建模的有效性。

https://arxiv.org/pdf/2012.05442.pdf