所有文章 > 正文

IJCAI2019 | 基于突发演化的动态网络嵌入方法

作者: 赵亦峰

时间: 2019-08-19 18:26

我们提出了一个新的动态网络嵌入方法BurstGraph ,其将图的动态演化分成正常演化(vanilla evolution)和突发演化(bursty evolution)

原论文: http://keg.cs.tsinghua.edu.cn/jietang/publications/IJCAI19-Zhao-et-al-Evolving_Graphs_with_Burst_Detection.pdf

代码和数据: https://github.com/ericZhao93/BurstGraph

PPT: http://keg.cs.tsinghua.edu.cn/jietang/publications/2019-Graph%20Embedding%20and%20Reasoning-v2.pptx

现实场景中,图的结构往往随着时间动态演化,例如,在电商场景下,用户与商品的网络关系变化非常明显。此外,在电商推荐场景下,用户与商品的连边代表着用户自身的兴趣点,而用户的某些兴趣会由于应用的窗口推荐以及用户的突然“种草”而产生,又由于一时兴起而马上消失。而这些突发的兴趣与关系也反映出用户自身的特性。然而,一般的图嵌入算法很难及时捕捉到这些突发变化。

针对上述问题,我们提出了一个新的动态网络嵌入方法BurstGraph,其将图的动态演化分成正常演化(vanilla evolution)和突发演化(bursty evolution)。方法在变分自编码器的框架下,利用GraphSAGE作为编码器来提取每个时刻子图的节点结构信息,分别用基于高斯分布和Spike-and-Slab分布的随机编码来重构节点的正常演化与突发演化的邻接信息。由于节点的突发演化的邻接信息往往比正常演化更稀疏,基于Spike-and-Slab分布的随机编码自身就带有稀疏性,能更好地重构突发演化的信息。为了能捕捉图的动态信息,我们还利用循环神经网络的思想将不同时刻的随机编码聚合起来,用于保留动态图演化过程中的时序信息。

bg1 (1).png

我们分别在阿里巴巴的电商数据集和仿真数据集上验证了我们的模型,实验结果表明BurstGraph不仅在突发演化上取得了优于基准方法的表现,而且在正常演化上也取得了良好的表现,说明了两种演化之间的相互促进作用。

bg2 (1).png

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多