基于霍克斯过程的动态异质网络表征学习方法

现有的异质网络表征学习方法主要关注静态网络，忽略了时间属性对节点表示的重要影响。然而，真实的异质信息网络极具动态性，节点和边的微小变化都可能影响整个结构和语义。鉴于此，提出了基于霍克斯过程的动态异质网络表征学习方法。首先，利用关系旋转编码方式和注意力机制，学习相邻节点的注意力系数，获得节点的向量表示。其次，学习不同元路径的最优加权组合以更好捕获网络的结构和语义信息。最后，基于时间衰减效应，通过邻域形成序列将时间特征引入节点表示中，得到节点的最终嵌入表示。在多种基准数据集上的实验结果表明，所提方法在性能上显著优于对比模型。在节点分类任务中，Macro-F1平均提高了0.15%～3.45%，在节点聚类任务中，归一化互信息（normalized mutual information，NMI）值提高了1.08%～3.57%。