郭佳雯^1,2,白淇介^1,2,林铸天¹,宋春瑶^1,2,袁晓洁^1,2

¹（南开大学网络空间安全学院 天津 300350）；²（天津市网络与数据安全技术重点实验室(南开大学) 天津 300350) (guojiawen@dbis.nankai.edu.cn)

出版日期: 2021-08-01


基金资助:国家自然科学基金项目(61772289,U1836109,U1936205,U1936105,62077031)；江苏省大数据安全与智能处理重点实验室开放基金项目(BDSIP1902)

Dynamic Heterogeneous Network Embedding Based on Non-Decreasing Temporal Random Walk

Guo Jiawen^1,2, Bai Qijie^1,2, Lin Zhutian¹, Song Chunyao^1,2, Yuan Xiaojie^1,2

¹（College of Cyber Science, Nankai University, Tianjin 300350);²(Tianjin Key Laboratory of Network and Data Security Technology(Nankai University), Tianjin 300350)

Online: 2021-08-01


Supported by:This work was supported by the National Natural Science Foundation of China (61772289, U1836109, U1936205, U1936105, 62077031) and the Open Fund Project of Jiangsu Key Laboratory of Big Data Security and Intelligent Processing (BDSIP1902).

摘要/Abstract

摘要： 网络嵌入是将高维网络映射到低维向量空间的一种表示学习方法.目前，人们对动态同质网络嵌入和静态异质信息网络嵌入已经开展了一些研究，但动态异质网络上的嵌入研究仍然较少.如果直接应用静态网络嵌入或动态同质网络嵌入方法来解决动态异质网络嵌入问题，会由于忽略网络的动态或异质特性而导致严重的信息丢失.因此，提出一种基于时间和类别约束随机游走的动态异质网络嵌入方法TNDE.该方法引入类别约束，能够解决动态异质网络中由于异质特性带来的语义信息保留问题.不同于其他动态网络中的时序随机游走，该方法采用非递减的时间约束来增量式地进行随机游走，能够解决网络同时具备动态和异质特性而引入的强语义局部结构上的边时间戳一致的挑战，避免游走时出现时间戳陷入的问题.通过对实时变化的增量游走和嵌入学习，TNDE提供了一种高效的在线表示学习算法.在3个真实数据集上的实验结果表明：该方法在不同特性的网络中具有良好的通用性.与目前最先进方法相比，能够得到下游链路预测和节点分类任务中2.4%~92.7%的准确度提升，显著提高了嵌入质量，并在保证良好嵌入质量的前提下，缩短算法运行时间12.5%~99.91%.

参考文献

相关文章 15

[1]	吴瑶, 申德荣, 寇月, 聂铁铮, 于戈. 多元图融合的异构信息网嵌入[J]. 计算机研究与发展, 2020, 57(9): 1928-1938.
[2]	贺一笑, 庞明, 姜远. 蒙德里安深度森林[J]. 计算机研究与发展, 2020, 57(8): 1594-1604.
[3]	陈可佳, 鲁浩, 张嘉俊. 条件变分时序图自编码器[J]. 计算机研究与发展, 2020, 57(8): 1663-1673.
[4]	陈亦琦, 钱铁云, 李万理, 梁贻乐. 基于复合关系图卷积的属性网络嵌入方法[J]. 计算机研究与发展, 2020, 57(8): 1674-1682.
[5]	赵霞, 张泽华, 张晨威, 李娴. RGNE：粗糙粒化的网络嵌入式重叠社区发现方法[J]. 计算机研究与发展, 2020, 57(6): 1302-1311.
[6]	刘子图, 全紫薇, 毛如柏, 刘勇, 朱敬华. NT-EP：一种无拓扑结构的社交消息传播范围预测方法[J]. 计算机研究与发展, 2020, 57(6): 1312-1322.
[7]	马毅,郭杏莉,孙宇彤,苑倩倩,任阳,段然,高琳. 基于HeteSim的疾病关联长非编码RNA预测[J]. 计算机研究与发展, 2019, 56(9): 1889-1896.
[8]	李赫,印莹,李源,赵宇海,王国仁. 基于多目标演化聚类的大规模动态网络社区检测[J]. 计算机研究与发展, 2019, 56(2): 281-292.
[9]	冶忠林, 赵海兴, 张科, 朱宇, 肖玉芝. 基于邻节点和关系模型优化的网络表示学习[J]. 计算机研究与发展, 2019, 56(12): 2562-2577.
[10]	杨妮亚,彭涛,刘露. 基于聚类和决策树的链路预测方法[J]. 计算机研究与发展, 2017, 54(8): 1795-1803.
[11]	朱子青,曹玖新,周涛,胥帅,马卓,刘波. 基于多维特征分析的移动社会网络消息传输[J]. 计算机研究与发展, 2017, 54(2): 369-381.
[12]	陈德华,殷苏娜,乐嘉锦,王梅,潘乔,朱立峰. 一种面向临床领域时序知识图谱的链接预测模型[J]. 计算机研究与发展, 2017, 54(12): 2687-2697.
[13]	刘露,左万利,彭涛. 异质网中基于张量表示的动态离群点检测方法[J]. 计算机研究与发展, 2016, 53(8): 1729-1739.
[14]	许凯,吴小俊,尹贺峰. 基于分布式低秩表示的子空间聚类算法[J]. 计算机研究与发展, 2016, 53(7): 1605-1611.
[15]	赵泽亚,贾岩涛,王元卓,靳小龙,程学旗. 基于动态异构信息网络的时序关系预测[J]. 计算机研究与发展, 2015, 52(8): 1735-1741.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4470