用于学习连续时间动态节点表示的分段速度模型

网络已成为许多领域中建模不同实体间交互（如社交网络中的好友关系或生物图中的蛋白质交互）不可或缺且普遍存在的结构。一个主要挑战是理解这些系统的结构与动态。尽管网络随时间演化，现有大多数图表示学习方法仅针对静态网络。虽有方法用于动态网络建模，但缺乏高效的连续时间动态图表示学习方法，能在低维空间提供准确网络刻画与可视化，同时显式考虑同质性、传递性等显著网络特征。本文提出分段速度模型（PiVeM）用于连续时间动态网络表示。它学习动态嵌入，其中节点时间演化由基于潜距离模型、具有分段常数节点专属速度的分段线性插值近似。该模型可解析处理相关泊松过程似然，其可扩展推断与事件数量无关。我们进一步对动态施加可扩展的 Kronecker 结构高斯过程先验，以刻画社区结构、时间平滑性及解耦（不相关）潜嵌入维度，并最优学习以刻画网络动态。我们展示 PiVeM 能在超低二维空间中成功表示网络结构与动态，在链接预测等下游任务上优于相关前沿方法。总之，PiVeM 实现了易于解释的动态网络可视化与刻画，可增进我们对时间演化网络内在动态的理解。