动态的链路预测问题

参考博主https://www.cnblogs.com/dong973711/#/c/subject/category/1883560.html

1 静态网络的链路预测

        大多数算法都是将静态网络在特定时间段内进行预测，从而忽略了网络的时间特性。在静态网络中，链路预测是对网络中某一时刻缺少的链路进行预测，以获得网络的全貌

2. Temporal Link Prediction: Problem Definition时间链路预测定义

        让G = (V, E)是一个动态的网络,V是顶点的集合和每条边(u, V) E代表u和V之间的联系的快照G表示为G1, G2,……从时间步骤1到t，我们如何预测下一个时间步骤Gt+1的网络。DySAT: Deep Neural

 

动态预测方法 

1.DySAT:Representation Learning on Dynamic Graphs via Self-Attention Networks

        该论文解决的是动态图中的结点表征问题。论文提出了DySAT（Dynamic Self-Attention），以自注意力机制捕捉动态图的结构的动态性。DySAT分别从两个方面捕捉动态性：structural neighborhoods和temporal dynamics，并且使用多头注意力来捕捉多方面的动态性

2.结合节点向量演化和局部邻域表示的动态链路预测

边表示

        链路预测的核心就是从网络中提取边的特征。我们首先把节点向量进化序列连接为si ，然后添加这个节点的预测表示si 。 然后，我们计算si和sj的元素乘积，表示为hij=si⊙sj，用于建模节点对之间的交互作用。 

链路预测

        为了执行链路预测，边表示eij被输入到一个二进制分类器中。可以使用许多现有的分类器，如逻辑回归树(LR)、随机森林树和梯度增强回归树(GBRT)。为了训练分类器，最后一个块中GN+1中的边集被随机划分为一个训练集和一个测试集。测试集中的边将首先从以前的快照中删除

3.SEAL:Link Prediction Based on Graph Neural Networks

         本文介绍内容主要包含GNN进行链路预测问题的解答。传统Katz指标与共同邻居指标等方法具有较强的主观性，相当于模型建立时已经主观模拟了两个点可能连接的条件。基于这种传统方式的缺陷，引入一种学习机制，自主学习两个点连接可能性的计算方法。本文首先引入novel γ \gammaγ-decaying heuristic theory。然后引入GNN对链路进行预测.

4.基于分层关注和时间RNN的动态异构网络链路预测建模

        网络嵌入的目的是在获取网络结构信息的同时学习节点的低维表示。它在链路预测、节点分类等网络分析任务中取得了巨大的成功。现有的网络嵌入算法大多集中于如何有效地学习静态同构网络。然而，现实世界中的网络更复杂，例如，网络可以由几种类型的节点和边组成(称为异构信息)，并且可以根据动态节点和边随时间变化(称为进化模式)。动态异构网络的网络嵌入工作做得很有限，因为同时学习进化信息和异构信息具有挑战性。在本文中，我们提出了一种新的动态异构网络嵌入方法，称为DyHATR，该方法使用分层注意学习异构信息，并结合递归神经网络和时间注意捕获进化模式。

        现有的网络嵌入方法在许多下游任务上取得了显著的性能，例如链路预测和节点分类，这些方法大多集中在静态同构网络，静态异构网络或动态同构网络[12，11，41，40，27]。然而，现实世界中的许多网络都是动态的和异构的，通常包含多种类型的节点或边缘[7，3]，网络的结构可能会随着时间的推移而演变。例如，客户-产品网络通常是异构的，具有多种节点类型来区分客户和产品，并且是动态的，具有不断发展的节点和边缘来捕获动态的用户活动。

        动态链路预测的任务是学习前t个快照上的节点表示，并预测第(t+ 1)个快照上的链路。具体来说，之前的t快照用于学习节点的表示，第(t+1)个快照是整个评估集。我们在评估集(快照)中随机抽取20%的边作为抑制验证集来调整超参数。然后快照中剩余的80%的边用于链路预测任务。在剩余的评价集中，我们进一步随机选择25%的边和剩余的75%的边分别作为训练集和测试集进行链接预测。同时，我们随机抽取相同数量的无链接节点对分别作为训练集和测试集的负样本。我们使用两个节点的嵌入特征的内积作为链接的特征