CoDCL：基于反事实引导的增强对比学习用于社交网络时序链接预测
机器学习
2026-05-12 v2 人工智能
摘要
时序链接预测是快速增长的社交网络的关键任务。现有方法常常忽视驱动链接形成的潜在因果机制，使得算法难以适应不断演变的复杂结构。为使预测模型适应复杂的时序环境，它们需要对新出现的结构性变化具有鲁棒性。我们提出了一种动态网络学习框架 CoDCL，将反事实引导的增强与对比学习相结合，以解决上述不足。此外，我们构述了全面的策略来生成高质量的反事实数据，结合动态处理设计与高效的结构邻域探索，以量化交互模式的时间变化。关键的是，整个 CoDCL 设计为即插即用的数据通用模块，可无需架构修改地无缝集成到各种现有的时序图模型中。多个真实数据集上的广泛实验表明，CoDCL 在时序链接预测方面显著优于最先进的基线方法，凸显了将反事实引导的数据增强集成到动态表示学习中的有效性。
引用
@article{arxiv.2601.22427,
title = {CoDCL: Counterfactual-Inspired Augmentation Contrastive Learning for Temporal Link Prediction in Social Networks},
author = {Hantong Feng and Duxin Chen and Wenwu Yu},
journal= {arXiv preprint arXiv:2601.22427},
year = {2026}
}
备注
This work has been submitted to the IEEE for possible publication