基于时空注意力深度模型的动态链路预测

摘要

动态网络的链路预测在复杂网络的各个领域均有应用.动态网络的节点和链路随时间动态变化(出现或者消失),因此其链路预测比静态链路预测更具有挑战.本文提出一种时空注意力的深度模型(GLAT),通过提取动态网络的时空特征,实现端到端(end-to-end)的动态网络的链路预测.GLAT通过注意力长短时记忆网络(LSTM-attention)和注意力图卷积网络(GCN-attention)相结合,利用LSTM-attention学习网络节点连边状态的时序信息,利用GCN-attention学习每个时刻网络的结构特征,通过提出的两种时空注意力机制可有效关注与动态链路预测任务相关的时空特征.本文对四个真实世...

关键词