node2vec链路预测_ICLR 2021 | 演化图单纯复形中的高阶结构预测

作者 | 李芬

审稿 | 涂心琪

今天给大家介绍一篇投稿于ICLR 2021上的文章“Higer-order structure prediction in evolving graph simplicial complexes”。动态图中包含了许多高阶相互作用，但是人们对成对链接预测问题中的高阶相互作用的关注较少。另外，现有的基于启发式的高阶结构预测方法缺乏理论支持，并且不能有效利用高阶结构中潜在结构包含的知识。针对这些问题，本文提出将相互作用看作单纯形拓扑结构并进行捕获，使用非参数核估计从时间处理(如图快照序列)角度来观察演化图。最后作者通过实验证明本文提出的方法相较于其它方法表现更好。

1

背景

许多类型的网络(如社交网络、生物网络和化学反应网络)都是高度动态的，网络中新增的相互作用在网络节点之间引入了新的边，使网络迅速发展和增长。通常，人们通过链路预测来观察网络随时间的演化。人们观察到，大多数真实世界的图表现出高阶的分组交互，同时涉及两个以上的节点。在自然界中，也可以同时观察到几种蛋白质在生物网络中相互作用。

目前，较少的工作研究了预测高阶集群之间相互作用的问题。Benson等人最初引入了一个单纯形来模拟图中节点之间的分组交互。他们提出预测一个相似的封闭事件，一个开放的单纯形(成员顶点之间只有成对的相互作用)将过渡到一个封闭的单纯形(其中所有成员顶点同时参与高阶关系)。图1(中)显示了从开放三角形到封闭三角形的过渡示例。图1(右)展示了超精度预测任务。

图1 时间变化时，开放单纯形到封闭单纯形演变

虽然基于相似闭包事件预测或超边距预测模型都能处理高阶结构，但它们都未能捕捉高阶结构随时间的高度复杂和非线性演化。这两种模型都有两个主要的局限性。首先，它们从图形的单个静态状态中预测结构，不会将添加新边的演化过程