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
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
本研究提出了一种新的时变网络嵌入方法M2DNE，它能够精细地捕获网络结构和性质中的微观和宏观动态，大量实验证明M2DNE在传统任务和时间倾向相关任务中的表现均显著优于现有技术。
Sep, 2019
使用基于元学习原理的新型模型对新节点的动态链接预测进行建模，通过在时间编码器和预测器中融入元学习范式，实现了对新节点的快速适应并取得了卓越的性能。
Oct, 2023
通过对负采样的可能性进行分类，并引入新的可视化方法以研究预测性能和时间网络动态，我们验证了错误通常在不同数据段之间不均匀分布，并认为这些可视化工具可以成为评估不同层次的动态链接预测方法的强大指南。
Nov, 2023
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
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
我们提出了TNCN，这是NCN的一个时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。我们在五个大规模真实世界数据集上验证了我们的模型，并发现它在其中三个上实现了最新的最先进表现。此外，TNCN在处理大型数据集上表现出了出色的可扩展性，在速度上超过了流行的GNN基线最多6.4倍。
本研究解决了如何有效学习时间网络的表示以进行动态链接预测的问题。我们提出了一种自监督的对比训练方法，通过结合链接预测、图重构和对比预测编码损失，构建了一种递归消息传递神经网络架构。在多个数据集上测试后，该方法显示出比现有模型更优越的性能，能够有效提升链接预测的准确性。
Aug, 2024
本文解决了时间图网络在动态节点亲和预测任务中的表现不佳问题。研究提出了一种通过增加源-目标识别的方式增强时间图网络的表达能力，表明这种修改对于表示持续预测和移动平均等方法是必要的。实验结果表明，所提出的方法TGNv2在所有时间图基准动态节点亲和预测数据集中显著超越了现有的时间图模型。
Nov, 2024