基于语义增强的时间图网络用于内容流行度预测
提出了一种可解释的空时图神经网络(STExplainer)框架,以提高 Spatio-temporal Graph Neural Networks(STGNNs)的可解释性,同时实现准确的预测和可信的解释。通过与其他模型的实验比较,证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度,并能更好地处理数据丢失和稀疏性问题。
Oct, 2023
研究了社交网络中内容传播的可预测性,提出了一种新的预测框架 Deep Temporal Context Networks (DTCN),并在 Flickr 图片数据集上的实验结果表明其比现有算法预测热度的准确性更高。
Dec, 2017
我们研究直接应用 Temporal Graph Networks(TGN)在推荐系统中,通过使用现实世界数据集和各种图形和历史嵌入方法,确认 TGN 在动态推荐场景中的适应性和有效性。
Mar, 2024
本研究主要探讨了基于空间 - 时间图神经网络的多元时间序列建模和预测,提出了一种紧凑型的预测模型,通过节点标识驱动,不需要复杂的顺序模块,并使用稠密编码器 - 解码器和消息传递层,能够有效地处理空间 - 时间问题。实证结果表明,这种简单而优雅的模型在适当归纳基础的情况下,与复杂的设计相比,具有更好的性能,更易解释,更高效。
Jul, 2023
在这篇论文中,我们提出了一种名为 CoupledGNN 的新方法,该方法使用两个耦合的图神经网络来捕捉节点激活状态和影响传播之间的相互作用,从而精确地预测社交平台上的信息传播。我们在 Sina Weibo 数据集上进行的实验证明,与各种现有方法相比,我们的方法显著提高了流行度预测的准确性。
Jun, 2019
在这篇论文中,我们通过引入自适应邻域编码机制来增强现有的时态图神经网络 (TGNs),提出了 SEAN 模型,该模型可以无缝集成到现有的 TGNs 中,有效提升其性能。具体而言,该模型通过代表性邻居选择和时态感知邻域信息聚合两个阶段,实现自适应邻域编码的过程,从而在聚合过程中灵活利用重要的邻居信息,并适应性地选择和衰减过时信息,取得了出色的性能提升。我们在四个公共数据集和一个金融基准数据集上将 SEAN 与三种代表性 TGNs 进行了集成,并进行了大量的实验证明,SEAN 可以在所有模型上持续提高性能,达到顶级水平并具有出色的稳健性。
Jun, 2024
基于语义的图神经网络(SemanticGNN)是在大规模知识图谱中建模实体、语义概念、协作边和语义边,并对其进行表示学习的一种新颖的图模型,通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断任务上的性能提升达到 35%。
Dec, 2023
提出了一种名为记忆引导语义学习网络(MGSL-Net)的内存增强网络来学习和记忆 TSG 任务中常见且罕见的内容,通过动态地关联常见和罕见情况,缓解模型忘记的问题,并在测试阶段通过检索存储的记忆来增强罕见情况,实现更好的泛化。
Jan, 2022
本研究使用新颖的探索 - 利用模型,提出使用 Spatial-Temporal-Preference User Dimensional Graph Attention Network (STP-UDGAT) 来同时为用户的个性化偏好和探索新的 POI 以及通过随机游走来寻找新的高阶 POI 邻居,以解决点 - of-Interest (POI) recommendation 的问题,并且在六个真实世界数据集上实验结果显示,该模型明显优于基准线和现有的方法。
Oct, 2020