Processing Heterogeneous Graphs within Heterogeneous Data Type Embeddings to Enhance Recommender Systems

• Silvio Fernando Angonese Universidade Federal do Rio Grande do Sul (UFRGS) http://orcid.org/0009-0001-6441-4320
• Renata Galante Universidade Federal do Rio Grande do Sul (UFRGS)

DOI: https://doi.org/10.5753/sbbd_estendido.2024.243731

Resumo

Os embeddings representam uma solução viável para enfrentar o desafio da geração de dados e informações em Grafos Heterogêneos. Esta pesquisa apresenta nossa abordagem para a geração e processamento de embeddings heterogêneos (AGHE), os quais são construídos a partir de vários tipos de dados, como texto, imagens e subgrafos presentes nos nós. O AGHE compreende várias etapas, desde a criação do grafo até a geração de composições de embeddings com base nas características e metapaths dos nós. Nos experimentos realizados, embeddings simples e compostos foram utilizados como entrada de dados para a tarefa de Classificação de Nodos em Sistemas de Recomendação, investigando o desempenho em relação as métricas de eficácia.Os resultados obtidos em nossos experimentos são animadores, pois demonstraram desempenhos superiores em comparação com o baseline utilizado.

Palavras-chave: Heterogeneous Embedding, Heterogeneous Data Type Embeddings, Graph Embedding, Heterogeneous Graph, Representation Knowledge, Graph Neural Networks

Referências

Dong, Y., Chawla, N. V., and Swami, A. (2017). MetaPath2Vec: Scalable Representation Learning for Heterogeneous Networks. New York, NY, USA. Association for Computing Machinery.

Fu, X., Zhang, J., Meng, Z., and King, I. (2020). MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding. WWW ’20, New York, NY, USA.

Hamilton, W. L., Ying, R., and Leskovec, J. (2017). Inductive Representation Learning on Large Graphs. In Proceedings of the 31st International Conference on Neural Information Processing Systems, NIPS’17, page 1025–1035, Red Hook, NY, USA. Curran Associates Inc.

Mohd Razali, N. and Yap, B. (2011). Power comparisons of shapiro-wilk, kolmogorov-smirnov, lilliefors and anderson-darling tests. J. Stat. Model. Analytics, 2.

Wang, X., Bo, D., Shi, C., Fan, S., Ye, Y., and Yu, P. S. (2023). A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources. IEEE Transactions on Big Data, 9(2):415–436.

Wu, S., Sun, F., Zhang, W., Xie, X., and Cui, B. (2022). Graph Neural Networks in Recommender Systems: A Survey. ACM Comput. Surv., 55(5).

Ying, R., He, R., Chen, K., Eksombatchai, P., Hamilton, W. L., and Leskovec, J. (2018). Graph Convolutional Neural Networks for Web-Scale Recommender Systems.

Zhang, C., Song, D., Huang, C., Swami, A., and Chawla, N. V. (2019). Heterogeneous Graph Neural Network. New York, NY, USA. Association for Computing Machinery.