研究基于双重注意力机制的签名定向网络链接预测
Jing Chen1, Xinyu Yang2, Yihao Wang3
1College of Mathematics and Computer Science, Guangdong Ocean University, Zhanjiang, 524088, China.
Scientific reports
|October 13, 2025
概括
本研究介绍了解注意力双标记图神经网络 (DADSGNN) 模型,以改进定向标记网络分析. DADSGNN增强了复杂关系的节点表示和链接标志预测准确性.
科学领域:
- 图形神经网络的神经网络
- 网络分析 网络分析
- 机器学习 机器学习
背景情况:
- 针对指向签名网络的传统分析通常依赖于社会学和结构平衡理论.
- 这些理论不足以捕捉复杂网络中节点之间的细微关系.
研究的目的:
- 提出一种新型模型,即分离注意力双标记图形神经网络 (DADSGNN),用于分析指向标记网络.
- 为了提高节点嵌入的准确性和可解释性,并在这些网络中进行链接标志预测.
主要方法:
- 使用脱表示学习将节点特征分解为多个潜在因素.
- 实施双重关注机制 (局部和结构),以有效地汇集邻居信息.
- 开发一种新型解码器,考虑链接标志预测潜在因素之间的相关性.
主要成果:
- DADSGNN模型在表示复杂的内节关系方面表现出更高的准确性.
- 在指向签名网络中对链接标志的增强预测准确性.
- 在各种定向网络数据集上验证模型的性能.
结论:
- 与现有的方法相比,DADSGNN提供了一种更准确,更易于解释的方法来分析定向签名网络.
- 分离的表示学习和双重注意力机制是模型有效性的关键.
- 该模型显示了对现实世界签名网络数据的强大预测能力.
