TriAdapt-DGNN:一种用于时间序列链接预测的三重自适应动态图神经网络
《Neurocomputing》:TriAdapt-DGNN: Triple adaptive dynamic graph neural network for temporal link prediction
【字体:
大
中
小
】
时间:2026年04月21日
来源:Neurocomputing 6.5
编辑推荐:
动态链接预测在社交和引文网络中面临拓扑动态性、空间关系时变性和事件不规则性挑战。本文提出TriAdapt-DGNN框架,通过结构特征协同演化、多图聚类门控和计算感知记忆机制,实现时空动态建模与高效计算平衡。实验表明, TriAdapt-DGNN在六个基准数据集上平均AP排名提升0.5,显著优于传统静态图方法和事件驱动模型。
彭波|徐焕|金宇航|车向久
吉林大学计算机科学与技术学院,长春130012,吉林,中国
摘要 在社交网络和引文网络中,动态链接预测具有挑战性。其不稳定性的原因包括:拓扑结构和属性共同演化、空间关系的相关性发生变化以及事件发生不规律。我们提出了TriAdapt-DGNN,这是一种三重自适应的时空图框架。通过结构特征的共同演化和边级门控校准,该框架使表示更加稳定。同时,该模型通过对互补图进行多簇融合,能够更稳健地适应不同环境下的空间结构变化。此外,该模型采用了连续时间演化机制,并采用计算意识强的设计策略以实现更好的精度-效率平衡。我们在六个基准测试和三种负采样协议下评估了TriAdapt-DGNN。TriAdapt-DGNN表现出最佳的整体性能,平均AP排名提高了约0.5,并且在转化和归纳设置中都取得了持续的收益。这些结果可以为时间链接预测带来稳定且高效的性能提升。
引言 记录实体随时间交互的图在社交媒体平台和科学交流网络中自然产生[1]。在社交网络中,用户建立友谊、发送和接收消息并参与群体活动。在引文网络中,论文的被接受、引用的增加以及研究领域的变化成为推动因素[2]。这些过程不断重塑节点和边的连接性和描述属性[3]。预测此类关系的方向对于推动该领域的分析和决策至关重要[4]。本文关注动态链接预测:给定时间戳交互的历史记录,预测两个节点之间未来是否会形成链接[5]。
动态链接预测至少面临三个主要挑战[3]。首先,时间不规律性是常态而非例外:事件以突发性活动 followed by 静默期的形式发生,这导致固定间隔离散化容易丢失信息或产生时间泄漏[4],[6]。其次,真实网络的发展过程通常充满波动而非平稳进行[7]。实际上,社区兴衰、研究方向不断变化,不同关系的权重也会随时间变化[2],[8]。因此,空间的非平稳性质削弱了依赖单一静态邻域视角的模型的有效性[2],[8]。第三,现代社交网络和引文网络规模庞大且持续扩展[9]。如果在每个事件发生时重新计算表示,或长时间保持历史信息不区分,将会带来巨大的计算和存储负担[9],[10]。
尽管当前的方法已经能够解决一些问题,但关键难点尚未得到有效解决[3],[4]。快照方法处理图的时间切片,并沿时间轴传播信息,这得益于批量计算和稳定的优化[3],[4]。然而,这些方法难以有效捕捉和分析这些不规则的动态变化[3],[4]。事件驱动方法在交互发生时提供状态更新,并经常引入注意力、记忆或点过程组件[11]。这些方法在嵌入时间顺序方面有效,但将结构和属性视为弱耦合的,仅依赖于单一核函数或在更新过程中使用固定策略[11],[12],[13]。然而,在实践中,结构和特征是共同演化的,“邻域”的有用概念依赖于上下文,且计算资源是有限的[14]。
为了解决上述挑战,我们构建了TriAdapt-DGNN框架,该框架通过结构特征、空间和时间维度的协同建模,为社交网络和引文网络中的动态链接预测提供了统一的方案。图1对比了三种时间图的建模视图。空间方法仅基于单个快照/邻接关系操作,忽略了时间不规律性;时间方法处理随时间发生的事件,但通常假设固定的空间核;我们的时空(Ours)视图结合了结构-特征的共同演化和多图空间选择,同时分配计算资源并建模事件间的动态变化。在高层次上,该框架结合了拓扑结构和属性的演化,在它们的效用变化时选择多个空间关系,并通过可学习的策略分配计算资源,同时建模连续时间中的事件间演化[15]。虽然TriAdapt-DGNN遵循时间模型常见的事件驱动框架(如时间编码、消息传递和可选的节点级记忆,如TGN),但其关键贡献是一种耦合的三重自适应设计,它共同建模了结构-特征的共同演化、上下文依赖的多图空间选择以及计算意识强的时间更新和事件间连续时间演化。第2节提供了与代表性的增强记忆和Transformer风格时间模型的详细设计级比较,例如TGN和DyGFormer。第3节介绍了架构细节。
主要贡献总结如下:
• 我们提出了TriAdapt-DGNN,这是一种事件驱动的动态链接预测框架,通过上下文依赖的多图门控来处理空间异质性。具体来说,它学习多个候选图上的事件条件混合权重,使得有效邻域能够在不同交互上下文中切换,而不仅仅依赖于单一的固定空间核。
• 我们设计了四个即插即用的组件。结构特征共同演化模块避免了错误结构的移动。空间多簇门控模块通过上下文依赖的融合在多个候选图上实现空间异质性处理,产生可切换且可解释的空间视图。时间计算意识内存模块学习写入和跳过策略。连续时间演化模块更新连接事件。它们协同实现了精度和效率之间的权衡,无需冗余的注意力堆栈或大规模集成。
• 我们在六个真实的社交和引文数据集上进行了全面实验,我们的TriAdapt-DGNN模型始终优于强大的快照基线和基于事件的模型。消融实验表明,不同的模块分别有助于提高精度或效率。
本文的其余部分组织如下。第2节回顾了关于动态神经网络的相关工作。第3节详细阐述了提出的TriAdapt-DGNN。第4节描述了实验设置、评估结果和分析。最后,第5节总结了研究并讨论了局限性和未来研究方向。
相关工作 相关工作 在时间序列场景中,链接预测的核心是使用带有时间戳的交互流来预测未来的关系,尤其是在社交网络和引文网络中[4]。如果评估协议设计不严格,报告的准确性可能会被夸大,因为边可能会多次出现[4],[9]。Poursafaei等人引入了更严格的评估程序和“EdgeBank”内存基准,揭示了先前研究中声称的一些性能提升
方法论 我们考虑在基于事件的时间图上进行动态链接预测。设 ,节点集为 ,以及按时间顺序排列的交互流 ,其中 是有向或无向的对, 是时间戳, 表示可选的边属性(例如,文本或计数)。每个节点 可能携带特征 。目标是,根据截至时间 的历史记录,对未来可能出现的候选链接 进行排名。我们按时间顺序处理事件,并维护节点状态 以及内存 (第3.4节)。
我们首先
实验 在本节中,我们通过对公开的真实社交图和引文图进行广泛实验,对TriAdapt-DGNN框架进行了全面评估,旨在评估其动态链接预测能力。
结论 在本文中,我们从联合利用结构、特征和时间动态的角度研究了动态链接预测。我们将设计空间分解为校准、路由和内存演化,明确了精度、效率和鲁棒性之间的权衡。基于这一观点,我们提出了TriAdapt-DGNN,它解决了Transformer风格编码器的计算开销和仅依赖内存的模型的脆弱性问题。TriAdapt引入了结构特征
CRediT作者贡献声明 彭波: 撰写——原始草稿、软件、方法论、概念化。徐焕: 撰写——审阅与编辑、可视化、方法论。金宇航: 撰写——审阅与编辑、验证、软件。车向久: 撰写——审阅与编辑、监督、资金获取。
利益冲突声明 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢 本研究得到了中国国家自然科学基金(项目编号62172184)的支持。
彭波 获得北京师范大学(珠海)的学士学位和悉尼大学的双硕士学位。他目前正在吉林大学计算机科学与技术学院攻读博士学位,他的研究兴趣包括深度学习、图神经网络和大型语言模型,特别关注时空动态图分析。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号