.png){kind=icon}
返回
Light Dynamic Graph Learning on Temporal Networks
.png){kind=icon}
PRE
AI
DOI：10.1145/3745024.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态图学习在时序网络中旨在理解网络的连续演化模式，其中一项重要应用是预测未来的时序网络。现有方法主要关注建模网络的结构和时序特征，而近期研究兴趣转向通过节点的邻居共现来考虑节点间的结构相关性。尽管取得了令人满意的表现，但仍存在几方面局限性：（1）研究场景与真实应用的偏差，因为大多数先前研究集中于多重图的特殊情况，其中存在丰富的重复边；（2）建模结构特征的计算效率不足，因为现有的邻居共现方案未能考虑节点间的显式结构相关性，且受限于耗时的成对编码策略；（3）由于时序特征建模不足导致的预测精度不理想，具体表现为忽略了每个邻居的历史时序特征以及随网络演化产生的时序域漂移。
Keyword:
temporal networks
dynamic graph learning
neighbor co-occurrence
structural correlations
temporal feature modeling
期刊
IF:
9.1
论文数:
1.2K
被引数:
4.7K
机构
暂无机构信息
.png){kind=icon}
