探索时间图上时间粒度对真实网络动态链接预测的影响
机器学习
2023-11-27 v2 社会与信息网络
摘要
动态图神经网络（DGNNs）已成为处理动态图结构数据的主流方法。然而，时间信息对模型性能与鲁棒性的影响仍未被充分探索，尤其是关于模型如何应对具有不同时间粒度的预测任务。在本文中，我们通过大量实验探索了在动态图上训练 DGNNs 时时间粒度的影响。我们考察了源自不同领域的图，并在四种不同时间粒度下将三种不同的 DGNNs 与基线模型进行比较。我们主要考虑时间粒度、模型架构与负采样策略之间的相互作用，以得到一般性结论。我们的结果表明，精巧的记忆机制与恰当的时间粒度对于 DGNN 在动态链接预测任务中提供具有竞争力且鲁棒的性能至关重要。我们还讨论了所考量模型与数据集中的缺陷，并提出了关于时间图时间粒度未来研究的有前景的方向。
引用
@article{arxiv.2311.12255,
title = {Exploring Time Granularity on Temporal Graphs for Dynamic Link Prediction in Real-world Networks},
author = {Xiangjian Jiang and Yanyi Pu},
journal= {arXiv preprint arXiv:2311.12255},
year = {2023}
}
备注
Presented at the Temporal Graph Learning Workshop @ NeurIPS 2023