On relationship formation in heterogeneous information networks: An inferring method based on multilabel learning
On relationship formation in heterogeneous information networks: An inferring method based on multilabel learning
复制标题
异构信息网络中的关系形成：一种基于多标签学习的推理方法
DOI：
10.1002/sam.11405
复制
发表时间：
2019-03
期刊：
影响因子：
--
通讯作者：
Bin Liu
中科院分区：
文献类型：
--
作者：
Ke-Jia Chen;Hao Lu;Yun Li;Bin Liu
本文研究了异构信息网络中关系的形成。我们的目标不仅是更准确地预测在一个给定的HIN的关系，但也发现不同类型的关系之间的相互依赖性。提出了一种新的基于多标记学习的关系预测方法MULRP。在MULRP中，两个节点之间的关系类型由节点之间的Meta路径表示，每种关系类型都被赋予一个标签。在MLL的框架下，任何潜在的关系，包括目标关系可以预测。此外，该方法可以输出合理的依赖关系之间的分数。这样，将为促进新关系的形成提供更多可行的途径。该方法在两个真实的数据集上进行了评估：DBLP计算机科学书目（abbr. DBLP）网络和Twitter网络。实验结果表明，通过在有监督的MLL设置中使用异构信息，与几种基线二进制分类方法和最先进的关系预测方法相比，MULRP实现了更好的性能。
This paper studies how relationships form in heterogeneous information networks (HINs). The objective is not only to predict relationships in a given HIN more accurately but also to discover the interdependency between different type of relationships. A new relationship prediction method MULRP based on multilabel learning (MLL in brief) is proposed. In MULRP, the types of relationship between two nodes are represented by the meta‐paths between nodes and each type of relationship is given a label. Under the framework of MLL, any potential relationships including the target relationship can be predicted. Moreover, the method can output the reasonable dependency scores between relationships. Thus, more viable paths will be provided to facilitate the formation of new relationships. The proposed method is evaluated on two real datasets: The DBLP Computer Science Bibliography(abbr. DBLP) network and Twitter network. The experimental results show that by using heterogeneous information in a supervised MLL setting, MULRP achieves better performance in comparison to several baseline binary classification methods and a state‐of‐art relationship prediction method.
登录
查看更多内容
DOI：
10.1137/1.9781611972795.94
发表时间：
2009-12
期刊：
--
影响因子：
--
作者：
Hisashi Kashima;Tsuyoshi Kato;Yoshihiro Yamanishi;Masashi Sugiyama;Koji Tsuda
通讯作者：
Hisashi Kashima;Tsuyoshi Kato;Yoshihiro Yamanishi;Masashi Sugiyama;Koji Tsuda
DOI：
10.1109/icdm.2013.134
发表时间：
2013-10
期刊：
2013 IEEE 13th International Conference on Data Mining
影响因子：
--
作者：
Jiawei Zhang;Xiangnan Kong;Philip S. Yu
通讯作者：
Jiawei Zhang;Xiangnan Kong;Philip S. Yu
DOI：
--
发表时间：
2011-06
期刊：
--
影响因子：
--
作者：
Céline Brouard;Florence d'Alché-Buc;Marie Szafranski
通讯作者：
Céline Brouard;Florence d'Alché-Buc;Marie Szafranski
影响因子：
1.1
作者：
Sarkar, Purnamrita;Chakrabarti, Deepayan
通讯作者：
Chakrabarti, Deepayan
DOI：
10.1109/tkde.2016.2598561
发表时间：
2017-01-01
影响因子：
8.9
作者：
Shi, Chuan;Li, Yitong;Yu, Philip S.
通讯作者：
Yu, Philip S.