E-LSTM-D：一种用于动态网络链接预测的深度学习框架
社会与信息网络
2019-02-25 v1 机器学习
摘要
预测网络中节点间的潜在关系（即链接预测）长期以来一直是网络科学中的挑战。然而，大多数研究仅关注静态网络的链接预测，而真实世界网络总是随着节点和链接的出现与消失而随时间演化。动态网络链接预测因而吸引了越来越多的关注，因为它能更好地捕捉网络的演化本质，但大多数算法仍未能达到令人满意的预测精度。受长短期记忆（LSTM）在处理时间序列方面优异性能的启发，本文提出一种新颖的编码器-LSTM-解码器（E-LSTM-D）深度学习模型，以端到端方式预测动态链接。它能处理长期预测问题，并通过微调结构适用于不同规模的网络。据我们所知，这是首次将 LSTM 与编码器-解码器架构一同应用于动态网络中的链接预测。该新模型能够在统一框架中自动学习结构与时序特征，从而预测此前从未在网络中出现的链接。大量实验表明，我们的 E-LSTM-D 模型显著优于新近提出的动态网络链接预测方法，并取得了当前最优（state-of-the-art）结果。
引用
@article{arxiv.1902.08329,
title = {E-LSTM-D: A Deep Learning Framework for Dynamic Network Link Prediction},
author = {Jinyin Chen and Jian Zhang and Xuanheng Xu and Chengbo Fu and Dan Zhang and Qingpeng Zhang and Qi Xuan},
journal= {arXiv preprint arXiv:1902.08329},
year = {2019}
}
备注
12 pages, 6 figures