Apr, 2020

采用时间 RNN 和分层注意力建模动态异构网络进行链接预测

PDF
TL;DR本研究提出了一种新颖动态异构网络嵌入方法，称为 DyHATR，在使用分层注意机制来学习异构信息的基础上，结合了循环神经网络和时间注意力机制来捕捉网络的演化趋势，并在实际应用中得到了较好的表现。
network embeddingheterogeneous informationevolutionary patternsrecurrent neural networkslink prediction
发现论文，激发创造
  • Attention 机制在欺诈检测中的图动态建模

    本研究提出了动态异构图神经网络及其变体 DyHGN，使用商业交易数据来构建动态异构图，并使用模型解释技术来理解 DyHGN-* 模型的行为，其发现表明建模带异构输入的图动态行为需要依赖于数据结构、分布和计算成本的 “关注”。

    Apr, 2022

  • 异构图注意力网络

    该论文提出了一种基于分层注意力机制的异构图神经网络，包括节点层次和语义层次的注意力机制，通过从元路径邻居中汇总特征来生成节点嵌入，其在三个真实的异构图上表现出优越性能且有助于图分析。

    Mar, 2019

  • 双曲异质图注意力网络

    提出了利用超几何空间和元路径实例学习异构图的向量表示的超几何异构图注意力网络（HHGAT），在三个真实的异构图数据集上的实验证明 HHGAT 在节点分类和聚类任务中优于现有的异构图嵌入模型。

    Apr, 2024

  • 基于注意力机制的异构结构学习图神经网络

    本文针对异构信息网络（HIN）的图表示学习进行了研究，并提出了一种新颖的基于异构图结构注意力神经网络（HetSANN）的方法，该方法在不需要领域专家设计元路径方案的情况下能够自动处理异构信息。实验证明，该方法相较于现有的 HIN 嵌入模型有显著和一致的提升。

    Dec, 2019

  • BHGNN-RT：用于有向异构图的网络嵌入

    基于网络分析，我们提出了一种面向有向异构图的双向异构图神经网络与随机传送（BHGNN-RT）的嵌入方法，利用了双向的消息传递过程和网络异质性来解决过度平滑问题。通过在各种数据集上进行广泛实验，我们验证了 BHGNN-RT 的有效性和效率，并研究了消息组件、模型层和传送比例对模型性能的影响。与其他基准方法的性能比较表明，BHGNN-RT 在节点分类和无监督聚类任务中实现了最先进的性能，优于其他基准方法。

    Nov, 2023

  • 在双曲空间中通过隐式分层学习进行离散时间网络嵌入

    本文提出了基于超伯利模型的时间图网络（HTGN），旨在通过利用超伯利几何的指数能力和层次意识来捕捉时变行为并保持层次信息，从而在时间图嵌入方面取得更好的效果。在多个真实数据集上的实验结果表明，HTGN 在各种时间链接预测任务中的表现优于竞争方法。

    Jul, 2021

  • 学习动态环境下的带属性网络嵌入

    本研究提出了一种新的动态属性网络嵌入框架 ——DANE，该框架采用了一种离线方法来达成共识嵌入，然后利用矩阵扰动理论来在在线方式下保持末状态的新鲜度。

    Jun, 2017

  • 在双曲空间中嵌入时态异构信息网络的 H2TNE 算法

    提出了一种基于双重随机游走策略和超伽马空间距离的超伽马异构时间网络嵌入模型，能够保留结构和语义信息，对于时间上的链接预测和节点分类取得了优秀的表现。

    Apr, 2023

  • DisenHAN: 面向推荐的解耦异质图注意力网络

    本研究提出了一种新的分离异构图注意力网络 DisenHAN，可以从不同方面学习异构信息网络中的用户 / 项目表示，并使用高阶元关系分解元路径，聚合每个元关系的相应特征，以实现更好的推荐效果。

    Jun, 2021

  • DURENDAL：面向时态异构网络的图深度学习框架

    DURENDAL 是一个图深度学习框架，用于处理时间异构网络，结合了基于快照的和多关系传递的图深度学习模型的设计原则。通过引入两种不同的策略来更新时间异构网络的嵌入表示，DURENDAL 展示了在未来链接预测任务中的预测能力以及模型设计的效果。

    Sep, 2023