公众号 异度侵入
“
图神经网络(GNNs)的研究已经成为今年机器学习领域的热门话题之一。GNNs最近在生物、化学、社会科学、物理等领域取得了一系列成功。但GNN模型目前以静态图上偏多,然而现实世界许多关系是动态的,比如社交网络、金融交易和推荐系统,动态的变化包含了许多重要信息,只考虑静态图,很难捕捉到其中信息。
”
本篇文章发表在ICLR2020上,对动态图的节点进行连接预测。TGN中,作者除利用传统的图神经网络捕捉非欧式结构生成embedding外,还利用动态图所中时序信息。在本篇公众号里主要介绍TGN中embedding以及memory的更新机制,包含一小部分源码。
时序图示例
01
TGN模型结构
下图为TGN 的一个例子,包含了编码部分和解码部分,在文章中主要是介绍了如何使用TGN进行编码,生成embedding,文章中选择MLP层作为解码器。上面的图片可以理解为,对于节点2和节点4连接的可能性的预测,首先通过TGN生成t8时刻节点2和节点4的embedding,然后通过解码器生成节点2和节点4在t8时刻的连接的可能性。
<