.png){kind=icon}
.png){kind=icon}
返回
Temporal motif-based representation learning on continuous-time dynamic graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/s10618-026-01190-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时序图为社会、生物和通信图等动态系统中建模时变交互提供了强大的框架。连续时间动态图（CTDGs）常用于表示此类图；然而，现有方法往往无法捕捉高阶时序基序，限制了其在下游任务中的有效性。我们提出了一种新型框架，结合时序偏置随机游走和基于基序的关联矩阵，以提取和编码多尺度高阶交互模式。通过将这些结构特征与Node2Vec嵌入相结合，我们构建了能够同时捕捉时序和拓扑动态的富表达节点表示。在五个基准数据集上的广泛实验表明，在统一的归纳评估协议下，我们的方法始终优于强大的代表性基线，AUC提升最高达9.1%。我们的框架具有可扩展性、鲁棒性，并且广泛适用于现实世界中的时序图。所有代码和训练模型均公开发布于：https://github.com/marwane-alilou/TemporalMotif-CTDG，以促进可复现性。
Keyword:
Temporal graphs
Higher-order temporal motifs
Graph representation learning
Biased random walks
Link prediction
Node classification
期刊
IF:
4.3
论文数:
196
被引数:
6.0K