metapath2vec

一、零碎概念知识理解

①本文基于random walk+skip2gram的框架扩展到异质图，如何在多种类型的节点之间定义节点的上下文从而产生好的训练语料
②异质图：点和边的类型都不一样
③本次实验的baseline：deepwalk、node2vec，line，PTE, spectral clustering(谱聚类)，graph factorization（图分解）
④本次实验基于异质图的随机游走算法表达了不同类型节点之间的语义和结构关联
⑤本文是冠以异质图早期的研究工作，拓展了关于更多类型的网络的图表示学习研究，经典的异质图baseline
⑥ 基于随机游走的方法：deepwalk、line、node2vec等，但都是基于同质图的（homogeneous network）

二、论文metapath2vec算法的主要欸容

1、基于异质图的skip gram
2、基于metapath 的随机游走算法
3、基于异质图每个类型点的负采样
4、论文算法的整体结构

三、论文的挑战性

1、不同边和点
2、对于异质图直接使用同质图的embedding network 会损失信息
3、点和邻居的概念定义
4、异质图中结构和语义信息如何保存

四、异质图定义：

五、meta-path的random walk

meta-path：人为的定义有意义的路径的类别
random walk是严格按照已经定义的类型路径 to walk
meta-path：有对称性