大规模动态图上子集节点表示学习

动态图表示学习是一项在动态网络上学习节点嵌入的任务，具有许多重要应用，包括知识图谱、引文网络到社交网络。此类图通常规模庞大，但仅有少量顶点子集与下游任务相关。当前方法在此设定下代价过高，因为其复杂度最好也与节点数和边数均呈线性依赖。本文提出一种新方法，即动态个性化 PageRank 嵌入（DynamicPPE），用于大规模动态网络上学习目标节点子集的表示。基于局部节点嵌入的最新进展以及动态个性化 PageRank 向量（PPV）的新颖计算，DynamicPPE 有两个关键要素：1）每个 PPV 的复杂度为 $\mathcal{O}(m \bar{d} / \epsilon)$，其中 $m,\bar{d}$ 和 $\epsilon$ 分别为接收到的边数、平均度和全局精度误差。因此，单个节点的每边事件更新平均仅依赖于 $\bar{d}$；2）通过使用这些高质量 PPV 与哈希核，所学嵌入兼具局部性与全局一致性。这两点使得有效捕捉图结构演化成为可能。实验结果证明了所提方法在大规模动态网络上的有效性与高效性。我们将 DynamicPPE 应用于捕捉维基百科图中中国城市在持续进行的 COVID-19 大流行期间的嵌入变化（https://en.wikipedia.org/wiki/COVID-19_pandemic）。我们的结果表明这些表示成功编码了维基百科图的动态。