基于联合注意力机制的动态图表示学习模型OA
动态图广泛存在于实际应用场景中,对其进行表示学习可以有效地应用于各种下游分析任务。动态图的拓扑结构和节点特征随时间不断演变,节点之间存在结构相关性和特征相关性。现有研究忽略了以上两种相关性对动态图表示学习的影响,针对这一问题,本文提出基于联合注意力机制的动态图表示学习模型(DyGRL-JAM),从动态拓扑结构中学习结构相关性,并结合特征相关性构造联合注意力,使用图张量卷积实现节点时空消息传递获得节点表示。在六个动态图数据上进行实验,结果表明DyGRL-JAM对动态图的表示学习能力优于当前先进方法。
程嘉诚;仝凌云;罗兴;胡子健;朱红
国网江苏省电力有限公司南京供电分公司,江苏南京210000国网江苏省电力有限公司南京供电分公司,江苏南京210000国网江苏省电力有限公司南京供电分公司,江苏南京210000国网江苏省电力有限公司南京供电分公司,江苏南京210000国网江苏省电力有限公司南京供电分公司,江苏南京210000
信息技术与安全科学
注意力机制动态图表示学习张量计算
《燕山大学学报》 2026 (1)
P.44-54,11
国家重点研发计划资助项目(2022YFB2404200)国网江苏省电力有限公司科技项目(J2023017)。
评论