Jul, 2023

利用动态图神经网络进行影响力预测

PDF
TL;DR这篇论文提出了一种基于动态图神经网络的影响力预测框架，并结合了权重损失函数、SMOTE 和滚动窗口策略等方法来改善预测性能；作者使用了独有的企业数据集，其中包含三个城市的网络，并提出了一种基于利润的评估方法，结果表明采用 RNN 编码时序属性可以显著提高预测性能，捕捉图表示形式、时序依赖关系以及使用基于利润的方法进行评估的重要性。
发现论文，激发创造
  • 动态图神经网络进行影响力检测

    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

  • 通过图卷积注意力循环神经网络发现有效的影响者

    本文提出 InfluencerRank，使用图卷积神经网络和注意力机制的循环神经网络来排名社交媒体上的影响者，实验结果显示其优于现有的基准方法，可以作为发现高效影响者的有效工具。

    Apr, 2023

  • 动态图神经网络调查

    图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

    Apr, 2024

  • DeepInf: 基于深度学习的社交影响预测

    作者设计了一个端到端的深度神经网络框架 DeepInf，用于学习用户的潜在特征表示以预测社交影响，并且在不同类型的社交和信息网络上展开了广泛的实验以证明该模型的显著优越性。

    Jul, 2018

  • 神经网络下的动态图表征学习：综述

    本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

    Apr, 2023

  • 流式图神经网络

    本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

    Oct, 2018

  • 隐式图神经网络

    本文提出了一种名为 “Implicit Graph Neural Networks（IGNN）” 的图学习框架，其利用 Perron-Frobenius 理论来确保该框架的良好性，并利用隐式微分得到一种可行的投影梯度下降法来训练该框架，实验证明 IGNN 可以稳定捕捉长程依赖并优于现有的 GNN 模型。

    Sep, 2020

  • 动态图上的进化学习

    本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。

    Nov, 2021

  • 用于交通预测的动态图卷积循环神经网络：基准和解决方案

    文章提出了一种名为 DGCRN 的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于 15 个基线模型。

    Apr, 2021

  • 高效有效的隐式动态图神经网络

    Implicit Dynamic Graph Neural Network (IDGNN) 是一种针对动态图的新型隐式神经网络模型，通过提出一个等价的双层优化问题和一种高效的单循环训练算法来克服计算上的困难，以在分类和回归任务中展现出优于现有模型的性能，并在性能保持的同时获得高达 1600 倍的加速。

    Jun, 2024