动态连续时间网络表示学习

摘要：

随着时间的推移,网络会随着节点和连边的变化不断发展.针对传统网络表示学习算法不能正确处理动态网络的问题,提出一种基于随机游走的动态连续时间网络表示学习算法(DCTNE).通过定义一个灵活的节点时序邻居概念,设计一个有偏的随机游走过程.根据时间信息,有效地探索节点的不同时序邻居并建模不同邻居的影响,学习网络表示.实验证明了DCTNE动态网络时序信息的有效性.在链接预测任务上,DCTNE的AUC值与其他算法相比最高获得了50％的增益;在节点分类任务上,DCTNE相较于其他算法在效果上有明显提升.结果表明,对网络中时间依赖关系进行建模有助于后续的网络分析任务.

关键词：网络表示学习、随机游走、时序邻居、连续时间、动态网络、网络演化

所属期刊栏目：58

分类号：TP391(计算技术、计算机技术)

资助基金：吉林省科技发展计划20180101036JC

在线出版日期：2022-06-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：163-169