本文要介紹的兩篇論文在 metric learning 和 translation embedding 的角度對異構資訊網路中的節點進行學習，都受到了 knowledge graph 的模型如 TransE，TransR 的影響，所以在這裡一起來進行對比說明。
異構資訊網路專題論文集：https://github.com/ConanCui/Research-Line
KDD 2018
待解決的問題
目前大多數異構資訊網路（HIN）對於點之間相似度的衡量方式，都是在低維空間使兩個點的 embedding 的內積 （dot product）儘可能的大。這種建模方式僅能考慮到一階關係（first-order proximity），這點在 node2vec 中也提到；
相比於同構資訊網路，異構資訊網路中包含多種 relationship，每種 relationship 有著不同的語義資訊。
同時 relationship 的種類分佈非常不均勻。
解決的方法
1. 使用 metric learning（具體可參見論文 Collaborative Metric Learning [1]，它具有 triangle inequality 特性）來同時捕捉一階關係和二階關係（second-order proximity）。
2. 在 object space 學習 node 的 embedding，在 relation space 學習 relation 的 embedding。計算時，先將 node embedding 從 object space 轉移到 relation space，然後計算 proximity。
3. 提出 loss-aware 自適應取樣方法來進行模型優化。
模型的動機
相比於同構網路的 embedding，異構網路中節點之間的 proximity 不僅僅指兩個節點在 embedding space 的距離，同時也會受到 relation 中所包含關係的影響。
dot product 僅能夠保證一階關係，而 metric learning 能夠更好同時儲存一階關係和二階關係。
由於 metric learning 直接應用會存在 ill-posed algebraic 的問題，所以不能直接應用。同時我們還要考慮到異構網路中存在不同的 relation，這點也需要建模。
以往異構網路中，對於不同種類的 relation 比例差距懸殊的問題，有人提出對每一種 relation 進行等比例取樣， 但這會造成有的 relation 被欠取樣，有的過取樣，並且不同 relation 的難度不同，需要取樣的數量也不同。
模型
學習 embedding 的 loss 如下：
其中：
可以看出，上述 loss 的目的是讓不同的點在某一種 relation space 中儘可能地接近，同時是的學到的 embedding 保留一階和二階特性。需要學習的引數為 node embedding v, 和從 object space 對映到不同 relation space 的對映矩陣Mr。
上式中，所有負樣本都加入訓練集，會導致複雜度急劇上升，在這裡採用雙向負取樣（Bidirectional Negative Sampling Strategy），所以 loss 修改如下：
對於每個 epoch，我們會把每個種類的網路的 loss 記錄下來，如下
，然後根據目標種類 r 的 loss 所佔的比例，來確定對該種類 r 的 edge 取樣出多少的比例。這樣為根據 loss 來自適應的調整取樣策略 （Loss-aware Adaptive Positive Sampling Strategy）。
最終整體的演算法流程為：
實驗
實驗採用了來自五個州的 Yelp 資料集，點的種類包括使用者（User），物品（Business），物品屬性（Attribute），物品種類（Category），如 Table 1 所示。
在 AZ 州的資料集上計算 Hits@K 和 MRR，結果如 Figure 2 和 Tabel 3 所示。
在 NV 州資料集做 link prediction 任務，具體為判斷當前便是否存在在測試集當中，具體指標使用 AUC，結果如 Tabel 4 所示。
總結
該篇文章整體的貢獻點為：
1. 使用 metric learning 來解決 HIN 中的二階關係，並借用 TransR 中的對映矩陣來解決 metric learning 存在的 ill-posed algebraic 問題，對於多種 relation 建立多個 relation space。
2. 提出 loss-aware adaptive 取樣方法，解決了 HIN 中存在的 relation skewed 的問題。
但是可能存在的問題是，該篇文章僅僅考慮基礎的 relation，另外在 HIN 中還有常見的 composite relations 是使用 meta-paths 來表示的。
比如在 DBLP 這樣的參考文獻資料集上，存在 (A, author，P，paper，C，conference) 這些節點。而像 APA (co-author relation)，以及 APC (authors write pa- pers published in conferences) 這樣包含著豐富的資訊的 composite relations，在這篇文章中沒有考慮到。
AAAI 2019
待解決的問題
1. 異構網路中存在著很多的 relations，不同的 relations 有著不同的特性，如 AP 表現的是 peer-to-peer，而 PC 代表的是 one-centered-by-another 關係。如何區分不同的 relations？
2. 針對不同的 relations，目前的模型都採用相同的方法來對他們進行處理。如何區分建模？
3. 如果建立多個模型，如何協調優化?
解決的方法
1. 根據結構特性定義了兩種 relations，Affiliation Relations (ARs) 代表 one-centered-by-another 的結構，而 Interaction Relations (IRs) 代表 peer-to-peer的關係。
2. 對於 AR，這些點應當有共同的特性，所以直接用節點的歐幾里得距離作為 proximity。對於 IR，將這種關係定義為節點之間的轉移（translation）。前者借鑑了 collaborative metric learning，後者借鑑了模型 TransE。
3. 因為兩個模型在數學形式上相似，所以可以一起優化。
資料分析
不同於上篇文章，這篇文章從資料分析入手，並給出兩種 structural relation 的定義。三個資料集整合如 Table 1 所示。
對於一個 relation 的三元組 <u,r,v>，其中作者定義了一個指標如下：
該指標由 u 和 v 種類的節點的平均度（degrees）來決定。如果 D(r) 越大，代表由 r 連線的兩類節點的不平衡性越大，越傾向於 AR 型別，否則傾向 IR 型別。同時定義了另外一個稀疏度指標如下：
其中
代表該種類 relation 的數量，
代表頭節點所在種類節點的數量，如果資料越稠密，則越傾向於 AR，因為是 one-centered-by-another，而 IR 關係的相對來說應該較為稀疏。
模型
對於 AR 型別，採用類似於上篇文章 PME 中的 metric learning 角度建模，原因除了 metric learning 能夠保留 second- order proximities 外，metric learning 和 AR 的定義契合，及被該關係連線的節點之間歐式距離要儘量的小。
而對於 IR 型別為何用 translation 來進行建模，沒有更好的說明，只是在模型的數學形式上和 metric learning 較為接近，容易結合。
則對於 AR 型別的 loss 為：
而對於 IR 型別的 loss 為：
對於整個模型來說，就是簡單的把兩部分的 loss 相加，沒有上一篇 PME 中考慮的更合理。
正負取樣的方法也沒有上一篇當中有過多的技巧，relation 的正取樣就直接按照資料集中的比例來進行取樣，不考慮 relation 種類是 skewed 的情況。而對於負取樣，和 TransE 和上篇文章中 PME 相同的方法，即雙向負取樣。
實驗
實驗採用 Table 1 中的資料集，首先看在聚類任務上效果的好壞，具體指標採用 NMI，結果在表格 2 中所示。
接著看了模型在 Link prediction 上的效果好壞，具體為判斷當前邊是否在測試集中。具體指標採用 AUC 和 F1，結果見 Table 3。
另外看了模型在 multi-class classification 任務上的表現，看學到的節點是否保留有節點種類資訊，具體為對已經學習到的節點 embedding，訓練一個分類器，結果如 Table 4 所示。
另外，為了探討區分兩種 relation，並利用 metric learning 和 translation 進行建模是否有效，作者進行了 ablation study。提出如下三種 variants：
其實驗結果如 Figure 2 所示：
總結
總的來說，作者從分析資料入手，對於 HIN 中具有不同 structural 的 relation 進行了區分，並且分別採用不同的方法對不同 structural 的 relation 進行建模，在一定程度上給出了這兩種方法的建模 motivation。
相比於 PME，作者對於兩部分的 relation 的 loss 結合較為粗糙，不過作者的重點也不在於此，沒有什麼問題。
參考文獻
[1]. Hsieh C K, Yang L, Cui Y, et al. Collaborative metric learning[C]//Proceedings of the 26th international conference on world wide web. International World Wide Web Conferences Steering Committee, 2017: 193-201.