多方面时间网络嵌入：基于混合Hawkes过程的视角
机器学习
2021-05-19 v1
摘要
近年来，网络嵌入的研究兴趣大幅增长。已有工作将邻域形成视为揭示网络结构内在动态的关键信息，并建议编码时间边形成序列以捕捉邻居的历史影响。然而，在本文中，我们认为边形成可归因于多种驱动因素，包括时间影响，更宜称为多个方面。事实上，不同的节点方面可以驱动形成不同的邻居，由此产生关联到但超越时间范围的多个方面嵌入。沿此思路，我们提出了一种基于混合Hawkes的时间网络嵌入（MHNE）模型，以捕捉网络中间方面驱动的邻域形成。在MHNE中，我们将多方面嵌入编码进混合Hawkes过程，以获得在建模激发效应与潜在方面上的优势。具体而言，使用图注意力机制分配不同权重以解释历史事件的激发效应，同时插入Gumbel-Softmax以推导方面的分布。在8个不同时间网络上的大量实验证明了MHNE所得多方面嵌入相比最先进方法的优异性能。
引用
@article{arxiv.2105.08566,
title = {Multi-Aspect Temporal Network Embedding: A Mixture of Hawkes Process View},
author = {Yutian Chang and Guannan Liu and Yuan Zuo and Junjie Wu},
journal= {arXiv preprint arXiv:2105.08566},
year = {2021}
}