时序图网络中面向新节点的动态链接预测
机器学习
2023-10-17 v1
摘要
对时序网络进行建模以实现新节点的动态链接预测具有许多现实应用，例如为推荐系统中的新客户提供相关物品推荐，以及在社交平台上向新用户推荐合适帖子。与旧节点不同，新节点历史链接稀少，这给动态链接预测任务带来了挑战。大多数现有动态模型对所有节点一视同仁，并未针对新节点专门优化，导致性能欠佳。本文将新节点的动态链接预测视为少样本问题，并基于元学习原理提出一种新颖模型以有效缓解该问题。具体而言，我们开发了一个带有节点级跨度记忆的时序编码器来获取新节点嵌入，随后使用预测器判断新节点是否产生链接。为克服少样本挑战，我们将编码器-预测器纳入元学习范式，该范式可在时序网络形成过程中通过跨度适配与节点适配学习两类隐式信息。所获隐式信息可作为模型初始化，并借助仅少量链接上的微调过程促进对新节点的快速适配。在三个公开数据集上的实验表明，我们的模型相较于现有最先进方法具有更优性能。
引用
@article{arxiv.2310.09787,
title = {Dynamic Link Prediction for New Nodes in Temporal Graph Networks},
author = {Xiaobo Zhu and Yan Wu and Qinhu Zhang and Zhanheng Chen and Ying He},
journal= {arXiv preprint arXiv:2310.09787},
year = {2023}
}