作者: | Jinyin Chen | Xuanheng Xu | Yangyang Wu | Haibin Zheng |

摘要：动态链接预测是复杂网络领域的研究热点，特别是在生物学、社会网络、经济和工业等领域有着广泛的应用。与静态链路预测相比，动态链路预测的难度要大得多，因为网络结构是随着时间的推移而演变的。目前，大多数研究都集中在静态链路预测上，在动态网络中不能达到预期的性能。针对AUC低、错误率高、添加/删除链接预测困难等问题，提出了一种嵌入长短期记忆网络(LTSM)的图卷积网络GC-LSTM，用于端到端的动态链接预测。据我们所知，GCN嵌入式LSTM首次被提出用于动态网络的链路预测。在这种新的深层模型中，GCN能够针对每个时间段学习网络快照的节点结构，而LSTM负责网络快照的时间特征学习。此外，目前的动态链接预测方法只能处理移除的链接，GC-LSTM可以同时预测添加或移除的链接。在预测准确率、错误率、添加/删除链接预测、关键链接预测等层面进行了大量实验，验证了该算法的预测准确率、错误率、添加/删除链接预测和关键链接预测性能。结果表明，GC-LSTM的性能优于目前最先进的方法。

论文地址

https://arxiv.org/abs/1812.04206

下载地址

https://arxiv.org/pdf/1812.04206.pdf

全部源码

https://github.com/benedekrozemberczki/pytorch_geometric_temporal 类型: pytorch