来源：期刊VIP网 时间：
作者：陈旭;张其;王叔洋;景永俊;
单位：北方民族大学计算机科学与工程学院;北方民族大学电气信息工程学院;
摘要：随着复杂网络分析在诸多领域的广泛应用，如推荐系统、社交网络、疾病传播网络和金融交易网络，动态图的分析成为图神经网络研究的一个关键挑战。目的 动态图链接预测任务中单一几何空间嵌入方法往往存在嵌入扭曲问题，难以有效捕捉复杂网络中的层次结构和规则结构。方法 提出一种基于几何交互的离散动态图（geometric interaction-based discrete dynamic graph, GIDG）链接预测模型。首先在欧几里得空间和双曲空间中分别进行特征聚合，提取规则结构和层次结构的嵌入特征；其次通过交互融合两种几何特征，获得更具表达能力的节点嵌入；然后，设计历史信息融合模块，用以平衡长期信息和短期信息的融合，进一步提升时间序列的预测能力；最后，通过概率交互融合模块，计算欧几里得和双曲空间中的链接预测概率，并通过自适应加权融合，得到最终链接预测结果。结果 实验结果表明，GIDG在5个数据集上的表现优于基于欧几里得空间和双曲空间的先进基准模型，其在动态链接预测和动态新链接预测任务中的AUC指标平均增益分别为1.46%和0.81%,AP指标的平均增益分别为1.27%和1.70%。特别是在大型数据集上，GIDG的表现显著优于现有的先进基准模型，尤其是在处理复杂的层次结构和幂律分布图时展现出较强的优势。结论 GIDG有效解决了单一空间嵌入方法的嵌入扭曲问题，能够更好地捕捉复杂网络的层次结构和规则结构，显著提升动态链接预测效果。
关键词：离散动态图;;表示学习;;链接预测;;双曲空间;;几何深度学习
基金资助：中央高校基本科研业务费专项资金资助项目（2023ZRLG13）;; 宁夏回族自治区重点研发项目（2023BDE02017）
