融合社团信息的时序图链路预测算法

时序图旨在表示现实世界中实体之间的时序交互关系,而时序图链路预测是建模这种关系的重要方法。现有基于表示学习的时序图链路预测方法通常基于时序图神经网络建模节点之间交互,并将时间信息融入到图神经网络的消息传递机制中以捕捉交互中的时序关联。时序图神经网络输出的节点嵌入作为时序图表示学习的结果被用于链路预测任务。然而,现有的方法仅考虑了节点之间的交互,而忽视了时序图中广泛存在的社团结构。为解决这一问题,提出一种融合社团信息的时序图链路预测算法(TLPC)。不同于传统社区划分的方法,该方法关注节点邻域社团的表示学习。在节点特征的基础上,引入对比学习技术,使用邻域结构特征采样出正样本和负样本进行对比学习约束,以编码节点所在邻域社团。所学习到的节点邻域社团编码可以有效提升节点嵌入的表示能力,从而提升链路预测的有效性。在四个真实数据集上的时序链路预测任务的实验结果表明,TLPC的准确率相比现有方法平均提升6.47%,F1平均提升6.77%,同时训练时间平均减少62.27%。