KDD 2019 | GATNE：一种针对 Multi-Edge 的大规模异构图嵌入模型

传统的图嵌入(graph ding)方法一般只针对同构的图，但是实际的图往往都是异构的。只包含异构节点的图的嵌入学习已经被广泛研究，例如 path2vec[1] 提出了异构的 random walk 和 skip gram。而包含异构边的图的嵌入学习近来开始被大家所关注，比如 MNE[2] 通过引入对于每种 edge type 的 ding 来处理异构边的情形。在阿里电商场景下，由用户和商品构成的图就是异构的，并且不仅包含异构的节点（用户和商品），而且包含异构的边（用户和商品的多种交互行为，比如点击、购买等）。不仅如此，图中的节点还包含着丰富的属性。本文处理的就是这种包含异构节点和异构边的图的嵌入学习。

根据图结构(同构/异构)以及是否包含节点特征，我们将图分为如下六类：_HO_mogeneous _N_