ConTIG：时序交互图上的连续表示学习
社会与信息网络
2021-10-13 v1 人工智能
机器学习
摘要
时序交互图（TIG）上的表示学习旨在对广泛问题中出现的具有动态演化交互的复杂网络进行建模。现有的 TIG 动态嵌入方法仅在交互发生时离散地更新节点嵌入，未能捕捉节点嵌入轨迹的连续动态演化。本文提出一个名为 ConTIG 的双模块框架，这是一种捕捉节点嵌入轨迹连续动态演化的连续表示方法。通过两个核心模块，我们的模型利用了动态网络中的三重因素，包括最近交互、邻居特征与固有特性。在第一个更新模块中，我们采用连续推断块，通过利用常微分方程学习节点对之间时间相邻的交互模式，来学习节点状态轨迹。在第二个变换模块中，我们引入自注意力机制，通过聚合历史时序交互信息来预测未来节点嵌入。实验结果表明，相较于一系列最先进的基线方法，ConTIG 在时序链接预测、时序节点推荐与动态节点分类任务上均具有优越性，尤其在长间隔交互预测方面。
引用
@article{arxiv.2110.06088,
title = {ConTIG: Continuous Representation Learning on Temporal Interaction Graphs},
author = {Xu Yan and Xiaoliang Fan and Peizhen Yang and Zonghan Wu and Shirui Pan and Longbiao Chen and Yu Zang and Cheng Wang},
journal= {arXiv preprint arXiv:2110.06088},
year = {2021}
}
备注
12 pages; 6 figures