GCN-GAN：加权动态网络的非线性时序链路预测模型

1

文章信息

《GCN-GAN: A Non-linear Temporal Link PredictionModel for Weighted Dynamic Networks》。北京大学电子与计算机工程学院，网络与通信研究中心，鹏程实验室，未来网络理论实验室，2012华为技术有限公司实验室，中国科学院深圳先进技术研究院发表的一篇文章。

2

摘要

在本文中，我们将各种网络系统的动态预测问题(例如，移动性、流量和拓扑的预测)定义为时间链路预测任务。传统的时间链路预测技术忽略了动态网络中潜在的非线性特征和链路权值的信息，为了解决加权动态网络中具有挑战性的时间链路预测任务，我们引入了一种新的非线性模型GCN-GAN。该模型利用了图卷积网络(GCN)、长短时记忆(LSTM)以及生成对抗网络(GAN)的优点。因此，可以充分利用加权动态网络的动态性、拓扑结构和进化模式来提高时序链路预测性能。具体来说，我们首先利用GCN来挖掘每个单个snapshot的局部拓扑特征，然后利用LSTM来表征动态网络的演化特征。此外，利用GAN增强了模型生成下一个加权的网络snapshot的能力，可以有效地解决现实动态网络中边缘权值的稀疏性和宽取值范围问题。为了验证该模型的有效性，我们在四个不同网络系统和应用场景的数据集上进行了广泛的实验。实验结果表明，与先进的竞争对手相比，我们的模型取得了令人印象深刻的结果。

3

问题定义

4

方法

模型结构