May, 2023

为未来引文预测建立动态异构图和节点重要性模型

PDF
TL;DR提出了一种基于动态异构图和节点重要性网络学习框架的方法来预测新发表论文的未来引用趋势，采用动态异构网络嵌入模块、节点重要性嵌入模块和对数正态分布来进行多面的论文节点表示和联合预测，通过实验证实该方法显著优于目前最先进的方法。
发现论文，激发创造
  • H2CGL：建模引文网络动态以预测影响力

    本研究建立了层次化和异构图形用于记录目标论文的科学背景信息，并提出了 H2CGL 模型，它可以单独聚合每年的异构信息以及为高引用论文和参考文献、引用和目标论文之间的关系设置优先级。该模型可以捕获异构子图之间的动态矛盾，并利用对比学习使图表示更加敏感。这些研究结果表明，所提出的方法显着优于基线方法，且适用于新旧文章。

    Apr, 2023

  • 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

  • 利用图神经网络估计知识图谱中节点的重要性

    本文提出一种名为 GENI 的基于图神经网络的方法，聚合节点的重要性得分来预测知识图谱中节点的重要性，该方法在预测真实世界中各种特性的知识图谱中节点的重要性方面，比现有最先进方法的 NDCG@100 高出 5-17%。

    May, 2019

  • 动态异构学术图的公共基准测试

    本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。

    Apr, 2022

  • 通过边异构图神经网络来改进文章分类

    将研究成果分类为特定上下文的标签分类体系是一项具有挑战性且相关的下游任务，该论文提出了一种方法，通过使用边异构图来增强简单的图神经网络（GNN）管道的性能，实验证明边异构图能够提高 GNN 模型的性能，这项研究有望在节点分级分类方面提供性能改进。

    Sep, 2023

  • DyHGCN: 一种用于学习用户动态喜好的动态异构图卷积网络，用于预测信息扩散

    该研究提出了一种基于动态异质图卷积网络 (DyHGCN) 的信息扩散预测方法，结合社交网络和动态扩散图，编码时间信息以学习用户的动态偏好，并应用多头注意力来捕捉当前扩散路径的上下文依赖性，实验结果表明 DyHGCN 在三个公共数据集上明显优于现有的模型，这显示了该方法的有效性。

    Jun, 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

    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。

    Apr, 2020

  • 预测动态图的结构

    本文介绍了一种基于时序方法和通量平衡分析的方法，用于预测未来时间点的图结构，并在合成和实际数据集上验证了其效用和适用性。

    Jan, 2024

  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022

  • 从异质性学习：超图的动态学习框架

    本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。

    Jul, 2023