基于循环采样聚合邻居信息的动态网络表征方法  

Dynamic network regresentation method based on recurrent sampling to gather neighbor nodes

作　　者：高亚男 刘勇[1] 惠丽[1] GAO Ya-Nan;LIU Yong;HUI Li(College of Computer Science and Technology,Heilongjiang University,Harbin 150080,China)

机构地区：[1]黑龙江大学计算机科学技术学院,哈尔滨150080

出　　处：《黑龙江大学工程学报》2021年第1期62-67,共6页Journal of Engineering of Heilongjiang University

基　　金：国家自然科学基金项目(61972135,61602159);黑龙江省自然科学基金项目(LH2020F043,F201430);哈尔滨科技创新人才研究专项资金项目(2017RAQXJ094)。

摘　　要：提出了一种循环神经网络(RNN)与图卷积网络(GCN)相结合的动态网络表征生成方法,称为RSage。RSage通过GCN采样、聚合邻居节点信息来学习归纳拓扑信息,并用RNN来学习动态网络的时序特征。该方法不仅适用于小规模动态网络,也可以扩展到大规模动态网络上表征。在3个现实世界的数据集上进行实验,评估RSage在节点分类和链接预测等任务上的性能。与其他方法相比,RSage取得了较优越的效果。A dynamic network representation method combining RNN and GCN,called RSage,is proposed.It uses GCN sampling and aggregate neighbor nodes to learn and summarize topology information,and uses RNN to learn the timing feature of dynamic networks.Our method is not only suitable for small-scale dynamic network,but also can be extended to large-scale dynamic network representation.We conduct extensive experiments on three real-world data sets to evaluate the performance of RSage on node classification and link prediction.Compared with other methods,our model has achieved better results.

关 键 词：动态网络 动态网络表征 循环神经网络 图卷积网络 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]