面向动态符号加权网络联合预测的双通道特征融合
系统与控制
2026-02-16 v1 系统与控制
摘要
链路预测是揭示社交网络演化和节点关系以及理解复杂网络特征机制的核心。目前，针对融合时间演化、关系极性和边权重信息的复杂动态网络的链路预测研究仍显著不足，无法满足实际需求。针对动态符号加权网络，本文提出了一个用于统一预测链路、符号和权重的三方联合预测框架。首先，将动态网络分解为时间快照，并通过符号感知的加权随机游走生成节点语义嵌入。然后，我们设计了多跳结构平衡和时间差分特征，分别捕捉网络的结构特征和动态演化规律。模型采用双通道特征解耦机制：节点语义嵌入用于链路存在性预测，而关系符号特征则输入到Transformer编码器以建模时间依赖性。最后，通过一个多任务单元协同输出预测结果。仿真实验表明，与基线方法相比，所提出的框架在链路存在性和关系符号预测性能上平均提升了2%-4%，在边权重预测误差上显著降低了40%-50%。
引用
@article{arxiv.2602.12663,
title = {Dual-Channel Feature Fusion for Joint Prediction in Dynamic Signed Weighted Networks},
author = {Gaoxin Zhang and Ruixing Ren and Junhui Zhao and Xiaoke Sun},
journal= {arXiv preprint arXiv:2602.12663},
year = {2026}
}
备注
10 pages, 9 figures