摘要: 学习图中节点的潜在向量表示是一项重要且普遍存在的任务,旨在捕捉图中节点的各种属性。大量工作证明静态图表示已经能够学习到节点的部分信息,然而,真实世界的图是随着时间的推移而演变的。为了解决多数动态网络算法不能有效保留节点邻域结构和时态信息的问题,本文提出了基于深度神经网路(DNN)和门控循环单元(GRU)的动态网络表示学习方法:DynAEGRU。该算法以自编码器作为框架,首先编码器使用深度神经网络聚集邻域信息,得到低维特征向量,其次使用GRU网络提取节点时态信息,最后解码器重构邻接矩阵并与真实图对比构建损失。通过该模型与8种图表示算法在3个数据集上实验分析,结果表明DynAEGRU模型具有较好的性能增益。
中图分类号: