基于多种影响的时序网络表征学习方法研究.docx

基于多种影响的时序网络表征学习方法研究
基于多种影响的时序网络表征学习方法研究
摘要：时序网络表征学习是一项重要的研究任务，广泛应用于许多领域，如社交网络分析、交通流预测和时间序列预测等。本文提出了一种基于多种影响的时序网络表征学习方法，该方法能够有效地捕捉网络中各种动态影响的变化，并推断节点在不同时间点上的潜在表示。实验结果表明，该方法在多个实际任务上均取得了优异的性能。
1.引言
时序网络表征学习是一项关键技术，可以帮助我们理解和分析动态网络中的节点演化过程。在实际应用中，节点的特征和网络结构通常会随时间发生变化，因此，我们需要一种能够捕捉这些动态变化的表征学习方法。本文提出了一种基于多种影响的时序网络表征学习方法，通过将节点的时序信息和多种影响加权结合，可以有效地推断节点在不同时间点上的潜在表示。
2.相关工作
许多研究工作已经提出了一些时序网络表征学习方法。例如，DeepWalk和Node2Vec等方法通过随机游走的方式提取节点的表征，但它们无法捕捉节点之间的时序依赖关系。因此，一些研究者提出了一些基于图卷积神经网络（GCN）的时序网络表征学习方法，这些方法可以利用节点之间的邻近关系进行表征学习。然而，这些方法通常只考虑了网络结构的影响，忽略了其他重要影响的因素，如节点的属性和外部环境等。
3.方法
本文提出的基于多种影响的时序网络表征学习方法主要包括以下几个步骤：首先，我们定义了一种综合考虑时序信息和多种影响的节点相似度度量方式。其次，我们利用卷积神经网络（CNN）对节点的相似度矩阵进行特征提取。最后，我们使用一个循环神经网络（RNN）对节点在不同时间点上的潜在表示进行推断。
具体而言，我们首先将网络中的每个节点表示为一个n维向量，其中n是特征的维度。然后，我们根据节点的时序信息和多种影响计算节点之间的相似度。对于节点i和节点j，在时间点t上的相似度计算公式如下所示：
s(i,j,t)=α·sim(i,j)+β·sim_attr(i,j)+γ·sim_env(i,j)
其中，sim(i,j)表示节点i和节点j在网络结构上的相似度，sim_attr(i,j)表示节点i和节点j在属性上的相似度，sim_env(i,j)表示节点i和节点j在外部环境上的相似度。α、β、γ是相应影响的权重。
之后，我们利用CNN对相似度矩阵进行特征提取。由于相似度矩阵是一个时序的数据，我们将其视为一个2D图像输入到CNN中，利用卷积层和池化层依次提取特征。
最后，我们使用RNN对节点在不同时间点上的潜在表示进行推断。具体而言，我们将节点在每个时间点上的特征表示作为RNN的输入，通过多层循环单元（LSTM）进行序列建模。
4.实验结果
我们对该方法进行了大量的实验，并将其与现有的时序网络表征学习方法进行了比较。实验结果表明，我们的方法在多个实际任务上均取得了优异的性能。例如，在社交网络数据集上的实验结果显示，我们的方法能够准确地捕捉用户在不同时间点上的兴趣演化过程。在交通流预测任务中，我们的方法也能够准确地预测交通流量。
5.结论
本文提出了一种基于多种影响的时序网络表征学习方法，该方法能够有效地捕捉网络中各种动态影响的变化，并推断节点在不同时间点上的潜在表示。实验结果表明，该方法在多个实际任务上均取得了优异的性能。未来的研究可以进一步探索更有效的节点相似度度量方式和更灵活的表征学习模型。
参考文献：
1.Perozzi,B.,Al-Rfou,R.,&Skiena,S.(2014).DeepWalk:Onlinelearningofsocialrepresentations.Proceedingsofthe20thACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining,701-710.
2.Grover,A.,&Leskovec,J.(2016).Node2Vec:Scalablefeaturelearningfornetworks.Proceedingsofthe22ndACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining,855-864.
3.Li,Y.,Tarlow,D.,Brockschmidt,M.,&Zemel,R.S.(2018).Gatedgraphsequenceneuralnetworks.Proceedingsofthe6thinternationalconferenceonlearningrepresentations.
4.Yang,Z.,Yang,D.,&Cohen,W.W.(2015).Networkrepresentationlearningwithrichte