属性异质信息网络上的半监督双聚类

题目： 属性异质信息网络上的半监督双聚类

期刊： Information Processing & Management (Volume 57, Issue 6)

论文代码： https://github.com/yuduo93/SCCAIN

异质信息网络上的节点聚类被用于许多实际应用。早先的方法独立地针对指定类型的节点进行结构相似性度量而忽视了不同类型节点之间的关联关系。本文研究同时聚合不同类型节点的问题，其目的是挖掘异质节点之间的潜在关联，并同时针对不同类型的节点进行聚类划分。该问题主要面临两个方面的挑战：1. 节点之间的相似性/相关性不仅和结构信息相关，同时也和离散/连续的节点属性相关；2. 聚类和相似性度量往往是相互促进的。为解决以上问题，本文首先利用多条元路径和节点属性，设计了一种融合结构和属性的可学习的整体相关性度量方法。继而，本文提出了属性异质网络半监督双聚类方法SCCAIN，基于约束的正交非负矩阵三分解对不同类型的节点同时进行聚类。最后，我们设计了一种端到端的优化框架，可以联合优化相关性度量和双聚类。在三个真实数据上的实验验证了模型的有效性。