使用动态图捕获网络状态
主要任务(实验):捕捉潜在的网络演变动态——链接预测
Abstract
提出了一种嵌入方法,通过学习动态图中的进化结构,以更高的精度预测未知的连接。
模型dyngraph2vec使用由密集层和循环层组成的深度架构来学习网络中的时间转换。
关键词:Graph embedding techniques, Graph embedding applications, Python Graph Embedding Methods GEM Library
1 Introduction
用户A与朋友在每个时间步骤中断联系,并与朋友的朋友成为朋友
考虑图1所示的社会网络,用户A从一个朋友移动到另一个朋友,以这样的方式,只有一个朋友的朋友被跟踪,并确保不成为老朋友的朋友。基于静态网络的方法只能观察t + 1时刻的网络,无法确定A在下一个时间步是与B还是与D成为朋友。相反,观察多个快照可以捕捉到网络动态,并高确定性地预测A与D的连接。
因此我们的目标是捕捉潜在的网络动态变化,预测未来的连接。
挑战:由于时间模式可能存在可不同的周期长度,且不同的顶点可能有不同的模式。因此现有的研究建立在简化的假设上。【DynamicTriad、DynGEM和TIMERS等方法假设模式持续时间较短(长度为2),并且只考虑之前的时间步长图来预测新的链接;DynGEM和TIMERS假定更改是平滑的,并使用正则化来禁止快速更改。】
Dyngraph2vec克服上述挑战,使用多个非线性层来学习每个网络中的结构模式。使用循环层来学习网络中的时间转移。循环层中的look back参数控制学习的动态部分的时序长度。
贡献:1.提出了dyngraph2vec,一个捕捉时间动态的动态图嵌入模型。
2.证明了捕获网络动态可以显著提高链路预测的性能。
3.给出了模型的变体,以显示其主要优势和差异。
4.发布了一个库DynamicGEM1(https://github.com/palash1992/DynamicGEM),实现了模型的变体和最先进的动态嵌入方法。
2 相关工作
两类图表示学习技术:
(i)Static Graph Embedding静态图嵌入,它用单个向量表示图中的每个节点;
(ii)Dynamic Graph Embedding动态图嵌入,考虑图的多个快照,并获得每个节点的向量时间序列。
另外:
(iii) Dynamic Link Prediction动态链路预测