网络嵌入是一种学习节点低维表示的有效方法,可应用于可视化、节点分类、链路预测等各种现实应用。尽管近年来该问题取得了重要进展,但仍存在一些重要挑战,如如何正确捕获演化网络中的时序信息。在实践中,大多数网络都在不断发展。一些网络只添加新的边或节点,如作者网络,而另一些网络支持删除节点或边,如互联网数据路由。如果网络结构的变化中存在模式,我们可以更好地理解节点之间的关系和网络的演化,从而进一步学习具有更有意义信息的节点表示。本文提出了基于历史邻域聚合的嵌入(EHNA)算法。首先提出了一种时间随机游走,可以识别对边形成有影响的历史邻域中的相关节点。然后应用深度学习模型,该模型使用自定义注意力机制来诱导节点嵌入,直接捕获底层特征表示中的时间信息。在一系列真实数据集上进行了广泛的实验,结果证明了所提出的新方法在网络重建任务和链路预测任务中的有效性
Temporal Network Representation Learning via Historical Neighborhoods Aggregation
最新推荐文章于 2024-06-14 15:00:00 发布