来自边流的动态节点嵌入
机器学习
2020-07-20 v2 人工智能
社会与信息网络
机器学习
摘要
网络随着连边与节点的添加、删除和变化而持续演化。此类时间网络（或边流）由带时间戳的边序列组成，似乎无处不在。尽管精确建模时间信息十分重要，大多数嵌入方法完全忽略它，或用一系列静态快照图来近似时间网络。本工作中，我们提出利用时间游走的概念从时间网络学习动态嵌入。时间游走以无损方式捕捉动态网络中时间上有效的交互（例如信息流、疾病传播）。基于时间游走概念，我们描述了一类称为连续时间动态网络嵌入 (CTDNEs) 的通用嵌入，其完全避免了将时间网络近似为静态快照图序列时所出现的问题。与以往工作不同，CTDNEs 以最细时间粒度直接从时间网络学习动态节点嵌入，因而仅使用时间上有效的信息。因此 CTDNEs 自然支持以流式实时方式在线学习节点嵌入。最后，实验证明了这类利用时间游走的嵌入方法的有效性：在所有方法与图上平均 AUC 提升 11.9%。
引用
@article{arxiv.1904.06449,
title = {Dynamic Node Embeddings from Edge Streams},
author = {John Boaz Lee and Giang Nguyen and Ryan A. Rossi and Nesreen K. Ahmed and Eunyee Koh and Sungchul Kim},
journal= {arXiv preprint arXiv:1904.06449},
year = {2020}
}
备注
IEEE Transactions on Emerging Topics in Computational Intelligence (TETIC)