.png){kind=icon}
返回
Key Node Identification in Continuous-Time Dynamic Graphs via Temporal PageRank Approximation
.png){kind=icon}
PRE
AI
DOI：10.1109/tnse.2026.3711120.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
连续时间动态图（CTDGs）中关键节点的识别对于理解网络演化和时序信息传播至关重要。然而，现有的CTDG研究主要关注链路预测和节点分类，而关于连续时间关键节点识别的研究仍处于探索阶段。为弥补这一空白，我们提出了一种基于CTDG的关键节点识别框架，将节点重要性估计表述为Temporal PageRank近似问题，并利用现有的CTDG表示模型进行时序节点排序。基于此框架，我们进一步开发了一种双阶段时序图神经网络（DSTGN），通过链路预测学习具有时序信息的节点表示。具体而言，PeerMLP增强了节点表示的初始化，而关键邻居聚合减少了递归时序传播的计算成本。随后采用轻量级解码器预测节点重要性分数以进行排序。在六个真实时序网络上的实验表明，DSTGN在24个评估设置中实现了最高的平均排名，并在所有基准数据集上具有最低的每轮训练开销，验证了该方法将CTDG表示学习适配于时序关键节点排序的有效性和高效性。
Keyword:
Key node identification
continuous-time dynamic graph
temporal graph neural networks
Temporal PageRank
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
分享收藏Identifying vital nodes on temporal networks: An edge-based K-shell decomposition识别时序网络上的关键节点：基于边的K-壳分解
PREAI
分享收藏分享收藏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
查看更多内容