CTRL：时序异构信息网络上的连续时间表征学习
机器学习
2024-05-15 v1 人工智能
社会与信息网络
摘要
对时序异构图进行归纳式表征学习是可扩展的深度学习在异构信息网络（HINs）中至关重要的任务，这类网络是随时间变化的，例如引用网络。然而，大多数现有方法都不是归纳式的，无法处理新节点或新边。此外，先前的时序图嵌入方法通常以时序链接预测任务进行训练，以模拟时序图的链接形成过程，而忽略了高阶拓扑结构在时序图上的演化。为填补这一差距，我们提出了一种基于时序HIN的连续时间表征学习（CTRL）模型。为保留异构节点特征和时序结构，CTRL将单个层集成三个部分：1）一种\emph{异构注意力}单元，用于衡量节点之间的语义相关性；2）一种\emph{基于边的Hawkes过程}，用于捕捉异构节点之间的时序影响；3）一种\emph{动态中心性}，用于指示节点的动态重要性。我们通过预测未来事件（子图）任务来训练CTRL模型，以捕捉高阶网络结构的演化。在三个基准数据集上进行了大量实验。结果表明，我们的模型显著提升了性能，并优于各种最先进的方法。通过消融实验验证了模型设计的有效性。
引用
@article{arxiv.2405.08013,
title = {CTRL: Continuous-Time Representation Learning on Temporal Heterogeneous Information Network},
author = {Chenglin Li and Yuanzhen Xie and Chenyun Yu and Lei Cheng and Bo Hu and Zang Li and Di Niu},
journal= {arXiv preprint arXiv:2405.08013},
year = {2024}
}