用于用户身份关联的图神经网络
本研究介绍了一种创新方法,将社区检测算法与图神经网络(GNN)模型相结合,以增强科学文献网络中的链接预测。我们特别关注利用 Louvain 社区检测算法揭示这些网络中的潜在社区结构,并将其整合到 GNN 架构中以预测潜在链接。我们的方法论证了在复杂网络中理解社区动态的重要性,并利用社区检测和 GNN 的优势来提高预测精度。通过对代表科学合作和引用的二部图的大量实验,我们的方法不仅凸显了社区检测和 GNN 之间的协同作用,还解决了链接预测中存在的一些普遍挑战,如可扩展性和分辨率限制。结果表明,整合社区级别信息可以显著提高 GNN 在链接预测任务中的性能。本工作通过将先进的机器学习技术与传统网络分析方法相结合,为网络科学领域提供了一种新的整合视角,以更好地理解和预测科学合作的复杂模式。
Jan, 2024
本文研究了在影响者检测中,利用动态图神经网络进行预测任务的不同配置,考虑到网络动态性与时间特征属性的影响,证明使用深度多重注意力和编码时间属性可以显著改善性能,在捕获邻域表示方面比使用网络中心度度量更有益。
Nov, 2022
本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型,利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测,实验证明 GraphLP 在不同数据集上都具有优异性能。
Dec, 2022
该研究提出了一种图神经网络(GNN)方法,用于结合和评估关于社区内部特征、过去特征和群体流动的多个信息来源,从而在预测模型中提供更高的表达能力。通过探索来自 Yelp 的公共大规模数据集,我们展示了我们的方法在考虑结构联系以预测社区属性方面的潜力,特别是预测当地文化。研究结果在实质和方法上都具有潜力,发现当地区信息(如地区人口统计信息)或群体特征(Yelp 评论者的口味)在预测当地文化方面效果最佳,并且在所有研究案例中几乎相当。从方法论上来看,探索群体特征可能是一个有帮助的替代方法,当获取特定地区的本地信息具有挑战性时,因为它们可以从许多形式的在线数据中自动提取。因此,我们的方法能够在缺乏其他本地区域信息时,为研究人员和决策者使用一系列数据来源提供支持。
Feb, 2024
本研究提出了一种新的基于层次图神经网络的社会化推荐框架(SR-HGNN),以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战,并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。
Oct, 2021
本文提出了一种名为 Identity-aware Graph Neural Networks (ID-GNNs) 的消息传递图神经网络,通过节点中心的次元网络和异构消息传递来考虑节点的身份,在图形预测任务中比传统的 GNNs 提供更高的准确性。
Jan, 2021
本研究综述了基于图神经网络的推荐系统在最近的研究工作中的应用。针对不同类型的信息和推荐任务,我们提供了 GNN-based 推荐模型的分类。 进一步分析了 GNN 在不同类型数据上应用时面临的挑战,并讨论了现有工作如何解决这些挑战。我们总结了相关的论文及其开源实现。
Nov, 2020