条件变分时序图自编码器

陈可佳; 鲁浩; 张嘉俊

doi:10.7544/issn1000-1239.2020.20200202

条件变分时序图自编码器

¹(南京邮电大学计算机学院南京 210023)
²(江苏省大数据安全与智能处理重点实验室(南京邮电大学) 南京 210023) (chenkj@njupt.edu.cn)

基金项目: 国家自然科学基金项目(61772284)

详细信息

中图分类号: TP391
计量
- 文章访问数: 1166
- HTML全文浏览量: 5
- PDF下载量: 401
出版历程
- 发布日期: 2020-07-31

Conditional Variational Time-Series Graph Auto-Encoder

¹(School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing 210023)
²(Jiangsu Key Laboratory of Big Data Security & Intelligent Processing(Nanjing University of Posts and Telecommunications), Nanjing 210023)

Funds: This work was supported by the National Natural Science Foundation of China (61772284).

摘要

摘要: 网络表示学习(也被称为图嵌入)是链接预测、节点分类、社区发现、图可视化等图任务的基础.现有大多数的图嵌入算法主要是针对静态图开发的，难以捕捉现实世界的网络随时间进化的动态特征.目前，针对动态网络表示学习方法的研究工作仍相对不足.提出了条件变分时序图自编码器(TS-CVGAE)，可以同时学习动态网络的局部结构和随时间的演化模式.该方法首先改进了传统图卷积得到时序图卷积，并在条件变分自编码器的框架下使用时序图卷积对网络节点进行编码.训练结束后，条件变分自编码器的中间层就是最终的网络嵌入结果.实验结果表明，该方法在4个现实动态网络数据集上的链接预测表现均优于相关的静、动态网络表示学习方法.
- 网络表示学习 /
- 条件变分自编码器 /
- 动态网络 /
- 图卷积 /
- 链接预测
Abstract: Network representation learning (also called graph embedding) is the basis for graph tasks such as link prediction, node classification, community discovery, and graph visualization. Most of the existing graph embedding algorithms are mainly developed for static graphs, which is difficult to capture the dynamic characteristics of the real-world networks that evolve over time. At present, research on dynamic network representation learning is still inadequate. This paper proposes a conditional variational time-series graph auto-encoder (TS-CVGAE), which can simultaneously learn the local structure and evolution pattern of a dynamic network. The model improves the traditional graph convolution to obtain time-series graph convolution and uses it to encode the network in the framework of conditional variational auto-encoder. After training, the middle layer of TS-CVGAE is the final network embedding. Experimental results show that the method performs better in link prediction task than the related static and dynamic network representation learning methods with all four real dynamic network datasets.
- network representation learning /
- conditional variational auto-encoder /
- dynamic network /
- graph convolution /
- link prediction

HTML全文

参考文献(0)

施引文献(35)

期刊类型引用(12)

1.	郭锋，刘飞洋，刘鸽. LoongArch处理器存储管理技术研究与实现. 电脑编程技巧与维护. 2025(03): 82-84 . 百度学术
2.	邢世远，张见齐，王焕东，吴学智，吴瑞阳. 片间互连总线协议层关键技术研究. 高技术通讯. 2025(02): 113-123 . 百度学术
3.	舒燕君，郑翔宇，徐成华，黄沛，王永琪，周凡，张展，左德承. 面向LoongArch边界检查访存指令的GCC优化. 计算机研究与发展. 2025(05): 1136-1150 . 本站查看
4.	孙东华，刘亚冬. 基于龙芯3A5000的全国产化EtherCAT主站控制器设计. 现代信息科技. 2025(08): 16-19+24 . 百度学术
5.	谢汶兵，田雪，漆锋滨，武成岗，王俊，罗巧玲. 二进制翻译技术综述. 软件学报. 2024(06): 2687-2723 . 百度学术
6.	谢君，陈汉云，袁璐，张梦娇，王增，石锐. 基于信创的医院自助服务系统建设探索. 中国数字医学. 2024(07): 41-45+69 . 百度学术
7.	谭弘泽，王剑. 基于动态压缩的高存储效率末级分支目标缓冲. 高技术通讯. 2024(07): 671-680 . 百度学术
8.	刘登峰，李东亚，柴志雷，周浩杰，丁海峰. 基于QEMU的SIMD指令替换浮点指令框架. 湖南大学学报(自然科学版). 2024(08): 70-77 . 百度学术
9.	陈国良，汤晓宇，尤帅，姚小良，梅超君，林时俊，刘尚东，吴少刚，孙雅薇，王汝传，季一木. 基于国产处理器的智能大数据一体机架构及应用研究. 南京邮电大学学报(自然科学版). 2024(04): 1-16 . 百度学术
10.	贾金成，朱家鑫，唐震，王志鹏，王伟. 映射字典导向的64位ARM到RISC-V汇编翻译. 小型微型计算机系统. 2024(08): 2041-2048 . 百度学术
11.	游英杰，刘宣佑，唐文武，张统兵，王岩. 基于CPU的PCIe驱动及与DSP和FPGA的交互设计. 火控雷达技术. 2024(04): 88-93+123 . 百度学术
12.	王一泠，吴琦，安军社. 支持MIPS架构的轻量型开源鸿蒙系统移植. 计算机工程. 2023(12): 25-34+45 . 百度学术