基于因果匿名游走的时间网络归纳式表示学习

时间网络作为许多真实世界动态系统的抽象而存在。这些网络通常依据特定规律演化，例如在社会网络中普遍存在的三元闭包定律。时间网络的归纳式表示学习应当能够捕捉此类规律，并进一步应用于遵循相同规律但在训练阶段未出现过的系统。该领域以往工作要么依赖网络节点身份，要么依赖丰富的边属性，通常难以提取这些规律。在此，我们提出因果匿名游走（CAWs）以归纳式地表示时间网络。CAWs 通过时间随机游走提取，充当时间网络模体的自动检索以表征网络动态，同时避免了对这些模体耗时的选取与计数。CAWs 采用一种新颖的匿名化策略，基于一组采样游走以节点的命中次数替换节点身份，从而保持方法的归纳性，并同时建立模体间的相关性。我们进一步提出神经网络模型 CAW-N 来编码 CAWs，并配以具有恒定内存与时间开销的 CAW 采样策略以支持在线训练与推断。CAW-N 在 6 个真实时间网络上预测连边，在归纳设定下以平均 10% 的 AUC 提升一致优于先前 SOTA 方法。在转导设定下，CAW-N 也在 6 个网络中的 4 个上优于先前方法。