KDD2020 | 面向时态交互网络的数据驱动图生成模型

会员服务 ·

KDD2020 | 面向时态交互网络的数据驱动图生成模型

2020 年 9 月 26 日 专知

论文专栏： KDD 2020 时序网络相关论文分享

论文解读者： 北邮 GAMMA Lab 硕士生王春辰

题目： A Data-Driven Graph Generative Model for Temporal Interaction Networks

会议： KDD 2020

论文地址： https://dl.acm.org/doi/pdf/10.1145/3394486.3403082

推荐理由： 深图生成模型因其在生物、化学、社会科学等多个领域建模真实感图形的优越性而受到人们的广泛关注。尽管最初取得了成功，但大多数(如果不是全部)现有的工作都是为静态网络设计的。然而，许多现实网络本质上是动态的，表现为系统日志的集合(即实体之间带有时间戳的交互/边)。本文提出了首次尝试通过直接从带有时间戳的边缘集合中学习来生成时态网络，能够通过一种新颖的上下文采样策略和双层自我注意机制来生成能够捕捉输入数据的重要结构和时态属性的图。

1 引言

深图生成模型因其在生物、化学、社会科学等多个领域建模真实感图形的优越性而受到人们的广泛关注。尽管最初取得了成功，但大多数(如果不是全部)现有的工作都是为静态网络设计的。然而，许多现实网络本质上是动态的，表现为系统日志的集合(即实体之间带有时间戳的交互/边)。那么有的学者就提出一个疑问：如何通过直接从系统日志中学习来合成现实动态网络？此外，我们如何确保生成的图形既保留了真实数据的结构特征，又保留了真实数据的时间特征？KDD2020中的这篇文章提出了一个端到端的深度生成框架TagGen，用于解决上述问题。

2 问题定义

2.1 时序发生

在时间交互网络中，节点与时序发生包，其中节点在时间戳在网络中的示例即为上述时序发生包。

2.2 时序交互网络

时序交互网络是由节点的集合和有时间戳的边的集合，其中。

2.3 时序网络邻域

其中既包括空间意义上的邻居，也包括时间跨度上的邻居。

2.4 长时序游走序列

一条长时序游走序列，其中，。分别为起始节点和目的节点。

3 模型

3.1 上下文采样

本文通过对原始网络的随机采样来重塑时序网络。在采样之前，文中选取与周围邻居交互较多，即在某一节点的邻域范围内，其是对周围邻居节点有很大影响的节点作为时序随机游走的起始节点。

3.2 序列生成

在选择初始时间出现之后，我们使用有偏的时间随机游走来提取时间游走集合以用于训练TagGen。使用基于随机游走的采样方法的关键原因是它们控制序列长度的灵活性以及联合捕获结构和时间邻域上下文信息的能力。为了生成合成的时间随机游动，一个简单的解决方案是通过从提取的随机游动中学习来训练序列模型。然而，在时态网络环境下，如何模拟网络演化，产生时态交互网络，目前还不清楚。因此，在本文中，我们设计了一族局部操作，即，来执行时态实体的添加和删除，并模仿真实动态网络的演化。