【KDD2021】 || HTGN: 双曲空间下的时态/动态图嵌入

点击上方 关注我们

论文：
Discrete-time Temporal Network Embedding via Implicit Hierarchical Learning in Hyperbolic Space

链接：https:///abs/2107.03767

Menglin Yang (香港中文大学)；
Min Zhou (华为诺亚方舟实验室)；
Marcus Kalander (华为诺亚方舟实验室);
Zengfeng Huang (复旦大学)；
Irwin King (香港中文大学)

动态网络模型在静态网络的基础上增加了时间维度，使其能同时表征复杂系统的结构和时序信息，在生物、医药、社交网络、电信网络等领域有广泛的应用场景。目前的动态图模型主要集中在利用欧式空间来学习网络在时间和空间上的演变规律。然而，层级结构广泛存在于网络数据中，在欧式空间对具有层级特点的网络进行表征学习会引起较大的嵌入失真从而大大影响下游任务的效果。双曲空间可以看作是'连续型的树状结构’空间，在描述数据层级结构的时候具有天然优势。另一方面，双曲空间具有更大的容纳体积，即利用较少的嵌入维度即可实现较好的表征效果,从而可以较大幅度减少模型参数。基于此, 作者将双曲几何运用到动态网络建模中，提出了一种基于双曲空间的动态图表征模型HTGN (hyperbolic temporal graph network)。HTGN将动态图映射到双曲空间中，并进利用双曲图神经网络和双曲门控递归神经网络学习数据中的时空依赖性。此外，根据动态网络演变特性，进一步设计了HTA（hyperbolic temporal attention）和HTC（hyperbolic temporal consistency）两个模块，使得HTGN能有效的在双曲空间进行网络演变的学习。最后，作者在多个公开数据集上的实验结果验证了HTGN在动态图嵌入问题的有效性。与最优的基线模型相比, HTGN在不同类型的动态链路预测任务上都有非常显著的效果提升。此外，消融实验也进一步验证了双曲几何的表达能力以及HTA和HTC模块的有效性。