通过将节点定义为牛顿对象并引入速度的概念,我们提出了一种新的时间链接预测方法,通过计算每个节点的具体动态,而不是整体动态,提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面,使下游分类模型的性能提高了 17.34%(相对于基准模型)并针对时间链接预测问题提供了一个可解释的层。
Jan, 2024
使用基于元学习原理的新型模型对新节点的动态链接预测进行建模,通过在时间编码器和预测器中融入元学习范式,实现了对新节点的快速适应并取得了卓越的性能。
Oct, 2023
我们在动态网络的链接预测问题中,提出了一种基于半监督图嵌入的方法,使用加权损失函数来同时反映时空和快照结构信息,从而提高模型的预测性能,并在三个真实动态网络上展示了方法的有效性。
Oct, 2016
本研究旨在预测节点交互的顺序,以实现对于静态和时间图中链接预测的改进。
Feb, 2023
本研究通过重新构建动态连接预测作为链接预测任务,更好地考虑了数据中的时间信息,解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。
Jun, 2024
通过利用查询链接的信息,我们提出了一种链接感知模型,可以识别时变图中可能存在的可靠模式,以改进链接预测的性能。在六个数据集上的实验证明,我们的模型表现优异,且链接预测结果可解释。
Feb, 2024
提出了一个基于非参数方法的链接预测算法,该算法结合了端点特征和端点周围邻居的特征,可以分析不同类型的图并给出了一种基于局部敏感哈希的快速实现,实验证明该方法表现优于现有算法。
Jun, 2012
通过在异构图中结合社交网络数据的动态属性,本研究提出了一种新的方法来提供社交推荐,旨在捕捉用户的长期和短期偏好并聚合分配的边权重,以实现对时间变化的用户偏好的建模,实验结果证明了该模型的有效性。
Dec, 2023
通过广泛的实验,我们研究了训练动态图神经网络时时间粒度对性能和鲁棒性的影响,发现复杂的记忆机制和合适的时间粒度对于在动态链接预测任务中获得竞争力和鲁棒性的动态图神经网络至关重要。我们还讨论了考虑模型和数据集中的局限性,并提出了未来关于时间图时间粒度的研究方向。
Nov, 2023
本研究提出使用图论中的线图来解决原始图中的链路预测问题,将链路预测问题转化为其相应的线图的节点分类问题,实验结果表明该方法在不同应用的 14 个数据集上表现优异,同时参数更少,训练效率更高。
Oct, 2020