无参动态图嵌入用于链接预测
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
本文提出了 DynGEM 算法,基于最近深度自编码器对图嵌入的研究,旨在解决动态图嵌入问题,实现了稳定嵌入、适用于不断增长的动态图以及比静态嵌入方法更高效。在多项任务和实验中,DynGEM 表现出优异的稳定性和可扩展性。
May, 2018
本论文提出了一种新的神经网络方法,利用动态图表达用户 - 物品关系的演变,以更好地解决基于链接预测的推荐服务问题,实验证明在用户 - 物品关系随时间变化的场景中,该方法可以获得更好的预测结果,同时揭示了现有方法在面对这种变化时的严重影响。
Nov, 2018
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
该论文提出一种名为 DGCF 的动态图协同过滤框架,利用动态图来同时捕捉项目和用户的协作和顺序关系,以解决传统的序列模型无法准确捕捉协作信息的问题,并在实验中表现出优越的性能。
Jan, 2021
该研究提出了一种名为 GEM-D 的新框架,该框架将图嵌入算法分解为三个构建块:节点接近度函数、变形函数和损失函数。此外,他们提出了一种名为 UltimateWalk 的新算法,它是一键式的(无需用户定义的参数),可扩展并具有闭式解决方案。
Feb, 2017
本文提出了一种将基于搜索的技术与深度嵌入模型相结合的混合方法,用于解决图形编辑距离(GED)的效率和适应性问题。通过动态规划将节点级嵌入设计成动态重用的方式,并鼓励修剪次优分支,该方法可以轻松地在 A * 过程中动态地集成,并通过学习的启发式显着减少计算负担。实验结果表明,该方法可以显着简化 A * 的搜索过程,而准确性不会显著降低。
Nov, 2020
本篇论文提出了一种新的推荐框架,名为神经图协同过滤 (NGCF),它通过在用户 - 物品图上传递嵌入来利用用户物品图结构,并显式地将协同信号注入到嵌入过程中,以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验,表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。
May, 2019
本文提出了 GC-LSTM 动态网络链路预测方法,结合 Graph Convolution Network 和 LSTM 网络实现了对动态网络添加和删除链路的预测,并通过实验验证了其优于当前最优方法。
Dec, 2018