TAWRMAC：一种新型动态图表示学习方法
机器学习
2025-10-14 v1
摘要
动态图表示学习已成为分析演化网络（如社交网络、推荐系统和交通分析）的关键技术。然而，现有连续时间方法面临三个关键挑战：(1)部分方法仅依赖节点特定记忆，未有效整合邻居节点的信息，导致嵌入陈旧；(2)大多数方法未显式捕获节点邻域之间的相关性，限制了情境感知能力；(3)许多方法未充分捕捉演化图的结构动态，尤其在缺乏丰富链接属性时。为解决这些限制，我们引入TAWRMAC——一种集成了时序匿名漫步、重启、记忆增强与邻居共现嵌入的新型框架。TAWRMAC通过记忆增强图神经网络（GNN）配合固定时间编码提升嵌入稳定性，并通过显式捕获邻居相关性改进情境表示。此外，其时序匿名漫步重启机制区分了表现出重复互动的节点与形成新连接的节点。该方法更好地捕捉结构动态，支持强归纳学习。大量实验表明，在三种不同的负采样策略下，TAWRMAC在动态链接预测和节点分类任务中 consistently 优于最先进的方法。通过提供稳定、可泛化且情境感知的嵌入，TAWRMAC推动了连续时间动态图学习的技术进步。代码可在 https://anonymous.4open.science/r/tawrmac-A253 获取。
引用
@article{arxiv.2510.09884,
title = {TAWRMAC: A Novel Dynamic Graph Representation Learning Method},
author = {Soheila Farokhi and Xiaojun Qi and Hamid Karimi},
journal= {arXiv preprint arXiv:2510.09884},
year = {2025}
}