期刊专题

10.11896/jsjkx.220500093

基于对比预测的自监督动态图表示学习方法

引用
近年来,以图对比学习为代表的图自监督学习已成为图学习领域的热点研究问题,该类学习范式不依赖于节点的标签并具有良好的泛化能力.然而,大多数图自监督学习方法采用静态图结构设计学习任务,如对比图的结构学习节点级或者图级的表示等,而未考虑图随时间的动态变化信息.为此,文中提出了 一种基于对比预测的 自监督动态图表示学习方法(DGCP),利用对比损失引导嵌入空间捕获对预测未来图结构最有用的信息.首先,利用图神经网络对每个时间快照图编码,得到对应的节点表示矩阵;然后,使用 自回归模型预测下一时间快照图中的节点表示;最后,利用对比损失和滑动窗口机制对模型进行端到端的训练.在真实图数据集上进行实验,结果表明,DGCP在链接预测任务上的表现优于基准方法.

动态图表示学习、对比学习、图神经网络、链接预测

50

TP391(计算技术、计算机技术)

国家自然科学基金;南京大学计算机软件新技术国家重点实验室开放课题;南京邮电大学校级科研基金

2023-07-18(万方平台首次上网日期,不代表论文的发表时间)

共6页

207-212

暂无封面信息
查看本期封面目录

计算机科学

1002-137X

50-1075/TP

50

2023,50(7)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn