基于历史邻域聚合的时序网络表示学习
机器学习
2020-03-31 v1 机器学习
摘要
网络嵌入是一种学习节点低维表示的有效方法,可应用于可视化、节点分类和链接预测等多种实际场景。尽管近年来该问题取得了显著进展,仍存在若干重要挑战,例如如何恰当地捕捉演化网络中的时序信息。实际上,大多数网络在不断演化:有些网络仅添加新边或节点(如作者网络),而另一些支持移除节点或边(如互联网数据路由)。若网络结构的变化中存在模式,我们便能更好地理解节点间关系与网络的演化,进而利用这些信息学习更具意义的节点表示。本文提出历史邻域聚合嵌入(EHNA)算法。具体而言,我们首先提出一种时序随机游走,以识别历史邻域中对边形成有影响的相关节点;随后应用一种带有自定义注意力机制的深度学习模型来推导节点嵌入,直接捕捉底层特征表示中的时序信息。我们在多个真实数据集上进行了充分实验,结果表明新方法在网络重构任务和链接预测任务中的有效性。
引用
@article{arxiv.2003.13212,
title = {Temporal Network Representation Learning via Historical Neighborhoods Aggregation},
author = {Shixun Huang and Zhifeng Bao and Guoliang Li and Yanghao Zhou and J. Shane Culpepper},
journal= {arXiv preprint arXiv:2003.13212},
year = {2020}
}
备注
28 Pages, published in 2020 IEEE International Conference on Data Engineering (ICDE 2020)