基于时序漫步矩阵投影提高时序链接预测
机器学习
2024-10-08 v1
摘要
时序链接预测旨在基于历史交互预测实体间未来交互，对系列现实应用至关重要。尽管先前的方法已显示相对编码对有效时序链接预测的重要性，但在构建这些编码时仍面临计算效率的主要关切。此外，现有的相对编码通常基于结构连通性构建，其中很少考虑时序信息。为此，我们首先分析现有的相对编码并将其统一为时序漫步矩阵的函数。这种统一在相对编码与时序漫步矩阵之间建立了联系，为分析和设计相对编码提供了更系统的方法。基于此分析，我们提出了一种新的时序图神经网络TPNet，引入时序漫步矩阵以整合时序效应，从而同时考虑时序与结构信息。此外，TPNet设计了一种具有理论保证的随机特征传播机制，以隐式维护时序漫步矩阵，提高了计算和存储效率。实验在13个基准数据集上进行，结果表明TPNet在大多数数据集上均优于其他基线方法，并相较于最先进的基线实现了最高33.3倍的加速。我们的代码可在 \url{https://github.com/lxd99/TPNet} 访问。
引用
@article{arxiv.2410.04013,
title = {Improving Temporal Link Prediction via Temporal Walk Matrix Projection},
author = {Xiaodong Lu and Leilei Sun and Tongyu Zhu and Weifeng Lv},
journal= {arXiv preprint arXiv:2410.04013},
year = {2024}
}
备注
NeurIPS 2024 Paper