.png){kind=icon}
返回
Deep Graph Neural Point Process for Learning Temporal Interactive Networks
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3349-7_32.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
学习时序交互网络(TIN)先前被视为一个粗粒度的多序列预测问题，忽略了网络拓扑结构的影响。本文解决了这一局限性，并提出了一种用于TIN的深度图神经网络点过程(DGNPP)模型。DGNPP包含两个关键模块：节点聚合层和自注意力层。节点聚合层捕获拓扑结构以生成用户和物品的静态表示，而自注意力层随时间动态更新嵌入。通过将动态和静态嵌入纳入事件强度函数并通过最大似然估计优化模型，DGNPP能够有效预测事件及其发生时间。在三个公开数据集上的实验评估表明，DGNPP在事件预测和时间预测任务中表现出优越的性能和高效率，显著优于基线模型，并有效缓解了先前方法的局限性。
Keyword:
Temporal Point Process
Graph Neural Networks
Temporal Interactive Networks
Intensity Function
期刊
N
机构
引用论文
Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏IBPL: Information Bottleneck-based Prompt Learning for graph out-of-distribution detectionIBPL：基于信息瓶颈的提示学习用于图分布外检测NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
分享收藏分享收藏
查看更多内容