发表:CIKM 18
原文:链接
作者机构:华盛顿州立大学/NEC/PNNL
文章目录
摘要
本文提出了一个基于深度学习框架的网络TGNet,可以实现对异构时序图进行结点排序。本文的创新点在于可以动态评估时序和结构对结点重要程度的影响。
模型概况
对结点排序
-
时序图
G i = ( V i , E i ) — — 图 在 t i 时 刻 的 点 集 V i 和 边 集 E i V = ∪ i ∈ [ 1 , s ] V i — — 时 序 图 G 的 所 有 结 点 G_i=(V_i,E_i)——图在t_i时刻的点集V_i和边集E_i\\ V=∪_{i\in [1,s]}V_i——时序图G的所有结点 Gi=(Vi,Ei)——图在ti时刻的点集Vi和边集EiV=∪i∈[1,s]Vi——时序图G的所有结点 -
排序函数
定 义 训 练 数 据 G ′ = ( G , D ) , D 为 点 对 { < u , v > ∣ u ∈ V , v ∈ V } 定义训练数据G'=(G,D),D为点对\{<u,v>|u\in V,v \in V\} 定义训练数据G′=(G,D),D为点对{ <u,v>∣u∈V,v∈V}
其中每一个<u,v>代表u比v排序更高 -
问题描述
给定一个训练数据G’,一个排序函数空间M,和一个测量排序损失的损失函数J。问题是找到一个最优函数g*∈M,使得排序错误J(g*,G)最小。
这个问题和我们常见的在静态图中排序不一样,这里要求模型可以结合both结构信息与时序信息来动态变化。
TGNet模型Overview
TGNet 模型
模型总体结构如下:
TGNet包含4个部分:
-
初始化层,将输入特征向量映射到隐藏空间状态
当v∈Vi,而Gi是v第一次出现的快照时,初始化层会对v的结点特征来一次特征选择:
h v ( i , 0 ) = t a n h ( W i n T ⋅ x v + b i n ) h_v^{(i,0)}=tanh(W^T_{in}·x_v+b_{in}) hv(i,0)=tanh(WinT⋅xv+bin)
其中,xv
是v
的输入特征,tanh(·)
是一个双曲正切函数,可以将输入特征向量映射为一个d_h
维的特征空间,而h
项是v
的初始隐藏状态,W
与b
是模型的参数。最开始,v的隐藏状态在时序网络中编码围绕v的上下文信息。隐藏状态会在时序和结构传输中被多个层更新。
-
结构传输层,将同一快照邻居结点的信息交换
结构邻域是上下文特征的来源,并一定程度上决定结点等级。这个层的目的就是在Gi中为每个点收集邻居信息。TGNet通过迭代执行局部信息传输(L次)来完成这一过程。对于任意
Vi
中的v
和k
,又如下公式:
h v