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
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
本文利用深度学习中的长短时记忆(LSTM)算法,提出了一种新的编码 - 时间序列解码(Encoder-LSTM-Decoder, E-LSTM-D)深度学习模型,能够在一个统一的框架内自动学习结构和时间特征,有效地处理动态网络中的链接预测问题,实现了非常优异的预测效果。
Feb, 2019
提出了一个基于非参数方法的链接预测算法,该算法结合了端点特征和端点周围邻居的特征,可以分析不同类型的图并给出了一种基于局部敏感哈希的快速实现,实验证明该方法表现优于现有算法。
Jun, 2012
本研究通过重新构建动态连接预测作为链接预测任务,更好地考虑了数据中的时间信息,解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。
Jun, 2024
通过利用查询链接的信息,我们提出了一种链接感知模型,可以识别时变图中可能存在的可靠模式,以改进链接预测的性能。在六个数据集上的实验证明,我们的模型表现优异,且链接预测结果可解释。
Feb, 2024
该论文提出了一种节点嵌入方法,通过学习时间图的节点和边的演变,利用一种时间节点嵌入模型进行不同的图形预测任务,并通过合并历史嵌入,优化每个特定任务来创建一个节点的时间嵌入。评估表明,与竞争基线和算法替代方案相比,我们的算法在许多数据集和基线上都显示出性能改进,并且在较不凝聚、具有较低聚类系数的图形中效果特别显著。
Mar, 2019
本文提出了一种基于元学习的 Meta-Graph 框架,该框架使用高阶梯度以及一个条件生成图神经网络初始化的学习图签名函数,可以在少量训练数据的情况下快速适应新图,并在收敛时获得更好的结果。
Dec, 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