HTGN-BTW：用于时序链接预测的带双时间窗口训练策略的异质时序图网络
社会与信息网络
2022-02-28 v1 人工智能
机器学习
摘要
随着电子商务网络、社交网络等时序网络的发展，时序链接预测问题近年来受到越来越多的关注。WSDM Cup 2022的时序链接预测任务期望一个单一模型能同时良好地工作于两种特性与数据属性迥异的时序图上，以预测在给定时间跨度内两个给定节点之间是否会发生给定类型的链接。我们的团队（名为nothing here）将该任务视为异质时序网络中的链接预测任务，并提出了一个通用模型，即异质时序图网络（HTGN），以解决具有不固定时间间隔和多样链接类型的此类时序链接预测任务。也就是说，HTGN能适应链接的异质性以及任意给定时间段内不固定时间间隔的预测。为训练模型，我们设计了一种双时间窗口训练策略（BTW），其具有来自两种时间窗口的两种mini-batch。最终测试中，我们在数据集A上取得了0.662482的AUC，在数据集B上取得了0.906923的AUC，并以0.628942的平均T-score获得第2名。
引用
@article{arxiv.2202.12713,
title = {HTGN-BTW: Heterogeneous Temporal Graph Network with Bi-Time-Window Training Strategy for Temporal Link Prediction},
author = {Chongjian Yue and Lun Du and Qiang Fu and Wendong Bi and Hengyu Liu and Yu Gu and Di Yao},
journal= {arXiv preprint arXiv:2202.12713},
year = {2022}
}
备注
5 pages, Second Winner Award at Temporal Link Prediction task of WSDM Cup 2022