使用具有时间 RNN 的分层注意力对动态异质网络进行链接预测建模
社会与信息网络
2020-04-03 v1 机器学习
机器学习
摘要
网络嵌入旨在学习节点的低维表示，同时捕获网络的结构信息。它已在链接预测与节点分类等许多网络分析任务上取得巨大成功。现有的大多数网络嵌入算法关注如何有效学习静态同质网络。然而，现实世界中的网络更为复杂，例如，网络可能由若干类型的节点与边组成（称为异质信息），并可能随动态节点与边随时间变化（称为演化模式）。针对动态异质网络的网络嵌入工作有限，因为同时学习演化与异质信息具有挑战性。在本文中，我们提出一种新颖的动态异质网络嵌入方法，称为 DyHATR，其使用分层注意力学习异质信息，并融合带时间注意力的循环神经网络以捕获演化模式。我们在四个真实世界数据集上针对链接预测任务对所提方法进行了基准测试。实验结果表明，DyHATR 显著优于若干最先进的基线。
引用
@article{arxiv.2004.01024,
title = {Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN},
author = {Hansheng Xue and Luwei Yang and Wen Jiang and Yi Wei and Yi Hu and Yu Lin},
journal= {arXiv preprint arXiv:2004.01024},
year = {2020}
}