GC-LSTM：用于动态链路预测的图卷积嵌入 LSTM
社会与信息网络
2021-10-05 v2 物理与社会
摘要
动态链路预测是复杂网络领域的研究热点，尤其在生物学、社交网络、经济与工业中的广泛应用。相较于静态链路预测，动态预测困难得多，因为网络结构随时间演化。当前多数研究聚焦于静态链路预测，无法在动态网络中达到预期性能。针对低 AUC、高错误率、增/删链路预测困难，我们提出 GC-LSTM，一种嵌入长短期记忆网络（LSTM）的图卷积网络（GC），用于端到端动态链路预测。据我们所知，这是首次提出 GCN 嵌入 LSTM 用于动态网络链路预测。这一新深度模型中的 GCN 能够对每个时间片的网络快照进行节点结构学习，而 LSTM 负责网络快照的时间特征学习。此外，当前动态链路预测方法仅能处理移除的链路，GC-LSTM 可同时预测增加或移除的链路。我们进行了大量实验以验证其在预测精度、错误率、增/删链路预测及关键链路预测方面的性能。结果证明 GC-LSTM 优于当前最先进方法。
引用
@article{arxiv.1812.04206,
title = {GC-LSTM: Graph Convolution Embedded LSTM for Dynamic Link Prediction},
author = {Jinyin Chen and Xueke Wang and Xuanheng Xu},
journal= {arXiv preprint arXiv:1812.04206},
year = {2021}
}