稀疏张量的张量卷积网络：用于高阶相互作用预测
机器学习
2025-03-18 v1
摘要
许多真实世界的数据（如推荐数据和时序图）可表示为不完整稀疏张量，其中大多数条目未被观察。对于此类稀疏张量，识别最可能发生于未观察条目之间的 top-k 高阶相互作用至关重要。张量分解（TF）在各种基于张量的应用中获得了显著关注，作为找到这些 top-k 潜在相互作用的有效方法。然而，现有的 TF 方法主要致力于有效地融合实体的隐向量，这限制了其表达能力。由于稀疏张量中大多数实体只有少数相互作用，其隐层表示往往受到不足的训练。本文提出了 TCN（Tensor Convolutional Network），一种精确且兼容的张量卷积网络，可无缝集成到现有的 TF 方法中，用于预测高阶相互作用。我们设计了一个高效的编码器来生成实体的表达隐向量。为此，我们提出了（1）从稀疏张量构建图结构，以及（2）开发一种关系感知编码器 TCN，通过利用图结构学习实体的隐层表示。由于 TCN 可与传统 TF 方法相互补充，我们无缝地将 TCN 集成到现有的 TF 方法中，增强了预测 top-k 相互作用的性能。大量实验表明，集成 TCN 的 TF 方法在对抗 TF 方法和超边预测方法时表现优于竞争方法。此外，TCN 与各种 TF 方法和图神经网络（GNN）广泛兼容，成为一种通用解决方案。
引用
@article{arxiv.2503.11786,
title = {Tensor Convolutional Network for Higher-Order Interaction Prediction in Sparse Tensors},
author = {Jun-Gi Jang and Jingrui He and Andrew Margenot and Hanghang Tong},
journal= {arXiv preprint arXiv:2503.11786},
year = {2025}
}
备注
11 pages