异构信息网络的PME方法：链接预测与多模态嵌入

在当前的异构信息网络（HIN）研究中，一个主要的关注点是改进节点间相似度的衡量方法，以更好地捕捉复杂的网络结构和丰富的语义信息。传统的HIN模型，如基于内积的embedding（如TransE、TransR等知识图谱模型的变体），主要依赖于低维空间中节点嵌入的点积来估计相似性，这被称为一阶关系（first-order proximity）。这种方法虽然简单，但往往忽视了网络中的二阶关系（second-order proximity）以及不同关系类型的语义差异。 PME（Projected Metric Embedding on Heterogeneous Networks for Link Prediction）论文提出了突破这一局限的方法。首先，PME引入了metric learning的概念，借鉴了Collaborative Metric Learning中的三角不等式特性，旨在同时考虑一阶和二阶关系。这样做的好处在于，通过在对象空间（objects space）学习节点嵌入和关系空间（relation space）学习关系嵌入，能够在不同维度上评估节点间的相似性，更全面地反映网络的复杂性。 传统的内积方法仅限于两点间的距离，而在异构网络中，节点之间的亲近度还受关系本身的影响，这就需要一种更为灵活的模型。PME通过在关系空间中进行转换，将节点嵌入映射到关系空间，然后结合关系的语义信息计算节点间的proximity，从而更好地反映出节点间的关系强度和语义一致性。 此外，PME还提出了loss-aware自适应采样策略，这是一种针对模型优化的创新方法。该策略根据训练过程中的损失函数动态调整采样策略，使得模型能够更有效地学习网络中的各种关系类型，尤其是在关系分布不均衡的情况下。 PME论文提供了一种新颖的框架，通过结合metric learning和异构网络的特性，提升了HIN中节点相似度的计算精度，并强调了关系语义在链接预测中的重要性。这种方法对于处理复杂的多类型网络数据，特别是在链接预测任务中，具有显著的优势，为未来的异构信息网络研究开辟了新的思路。