ConvDySAT：基于自注意力与卷积神经网络动态图深度神经表示学习
机器学习
2021-06-23 v1
摘要
在时间图上学习节点表示是高效学习真实世界动态图的基本步骤。真实世界图具有随时间持续演化的特性，例如边权变化、节点删除与添加以及边的出现与消失，而以往的图表示学习方法通常聚焦于静态图。我们提出ConvDySAT作为DySAT（最先进的动态方法之一）的增强版，通过将卷积神经网络与自注意力机制（DySAT中用于表达结构与时态演化的方法）相结合来扩展之。我们在通信网络和评分网络上进行了单步链接预测，实验结果表明ConvDySAT相较于多种最先进方法取得了显著的性能提升。
引用
@article{arxiv.2106.11430,
title = {ConvDySAT: Deep Neural Representation Learning on Dynamic Graphs via Self-Attention and Convolutional Neural Networks},
author = {Ahmad Hafez and Atulya Praphul and Yousef Jaradt and Ezani Godwin},
journal= {arXiv preprint arXiv:2106.11430},
year = {2021}
}