DynWalks：兼顾全局拓扑与近期变化的动态网络嵌入
社会与信息网络
2019-07-30 v1 机器学习
物理与社会
摘要
由于许多真实网络具有随时间演化的特性（即节点/连边可能随时间增加或移除），在动态环境中学习网络的拓扑表示近来受到相当关注。动态网络嵌入旨在利用动态网络当前可用的任意快照，为未见过和已见过的节点学习低维嵌入。对于已见节点，现有方法要么同等对待它们，要么聚焦于每个时间步受影响的 个最重要节点。然而，前者耗时，而依赖新近变化的后者可能丢失全局拓扑——这是下游任务的一项重要特征。为应对这些挑战，我们提出一种称为 DynWalks 的动态网络嵌入方法，其包含两个关键组件：1）一种在线网络嵌入框架，可基于所选节点动态且高效地学习嵌入；2）一种新颖的在线节点选择方案，提供灵活选择以平衡全局拓扑与近期变化，并在需要时满足实时约束。在三种不同切片方式下的六个真实动态网络上的实证研究表明，DynWalks 在图重构任务上显著优于 SOTA 方法，并在链接预测任务上取得可比结果。此外，挂钟时间与复杂度分析证明了其优异的时间与空间效率。DynWalks 的源代码见 https://github.com/houchengbin/DynWalks
引用
@article{arxiv.1907.11968,
title = {DynWalks: Global Topology and Recent Changes Awareness Dynamic Network Embedding},
author = {Chengbin Hou and Han Zhang and Ke Tang and Shan He},
journal= {arXiv preprint arXiv:1907.11968},
year = {2019}
}
备注
14 pages, 7 figures, 5 tables