【论文笔记】TGNet: Learning to Rank Nodes in Temporal Graphs

发表：CIKM 18

原文：链接

作者机构：华盛顿州立大学/NEC/PNNL

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
  $$\begin{gathered} G_i=(V_i,E_i)——图在t_i时刻的点集V_i和边集E_i \\ V={\cup }_{i\in [1,s]}{V}_i——时序图G的所有结点 \end{gathered}$$

• 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：

1. 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：
   $$h_v^{(i,0)}=tanh(W_{in}^T\cdot x_v+b_{in})$$
   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。

2. 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