通过个性化PageRank有效的时间图表学习

科学领域:

• 图形表示学习学习学习图形表示.
• 网络科学 网络科学
• 机器学习 机器学习

背景情况:

• 传统的图形表示学习方法经常与动态的大规模网络相斗争.
• 现有的相似度矩阵因子化技术主要是为静态图设计的,这限制了它们在捕捉不断变化的关系方面的有效性.
• 在线互动的快速增长需要先进的方法来分析时间图.

研究的目的:

• 开发一个增强的时间图表表示学习模型,以提高嵌入质量.
• 利用时间受约束的个性化PageRank (TPPR) 在动态图中更好地表示节点相似性.
• 在时间图数据集上的各种下游任务中验证拟议模型的有效性.

主要方法:

• 提出了一个基于时间受约束的个性化PageRank (TPPR) 矩阵的矩阵因数分解的时间图表表示学习模型.
• 使用单值分解 (SVD) 或非负矩阵分解 (NMF) 来分解TPPR矩阵.
• 评估了使用多个时间图的链接预测,节点分类和节点聚类任务的模型.

主要成果:

• 拟议的TPPR矩阵因子化方法在多个时间图数据集上的现有技术相比取得了更高的性能.
• 在时间图学习任务的嵌入质量方面取得了显著的改进.
• 在动态网络中有效捕获节点相似性,从而提高预测和分类准确性.

结论:

• 基于TPPR矩阵分解的图表表示学习算法为分析时间图提供了一种强大的方法.
• 该方法在动态网络分析中为不完整的相似性描述和低嵌入质量提供了强大的解决方案.
• 这些发现突显了拟议模型对现实世界的时间网络应用程序的有效性和可扩展性.