[论文解读] Dynamic Network Embedding Survey

Guotong Xue, Ming Zhong+4 more|arXiv (Cornell University)|Mar 29, 2021

Advanced Graph Neural Networks参考文献 4被引用 14

一句话总结

本综述全面概述了动态网络嵌入方法，根据离散与连续数据模型，将方法分类为结构优先与时间优先两类。提出了一种新颖的分类体系，分析了诸如样本外节点处理与时间泛化等关键挑战，并指出了未来研究方向，包括异质网络、可扩展建模以及任务特定学习。

ABSTRACT

Since many real world networks are evolving over time, such as social networks and user-item networks, there are increasing research efforts on dynamic network embedding in recent years. They learn node representations from a sequence of evolving graphs but not only the latest network, for preserving both structural and temporal information from the dynamic networks. Due to the lack of comprehensive investigation of them, we give a survey of dynamic network embedding in this paper. Our survey inspects the data model, representation learning technique, evaluation and application of current related works and derives common patterns from them. Specifically, we present two basic data models, namely, discrete model and continuous model for dynamic networks. Correspondingly, we summarize two major categories of dynamic network embedding techniques, namely, structural-first and temporal-first that are adopted by most related works. Then we build a taxonomy that refines the category hierarchy by typical learning models. The popular experimental data sets and applications are also summarized. Lastly, we have a discussion of several distinct research topics in dynamic network embedding.

研究动机与目标

• 提供动态网络嵌入方法的系统性综述，弥补现有文献中的空白。
• 基于数据模型与学习方法论，提出一种新分类体系对现有方法进行分类。
• 分析诸如样本外节点表示与未来嵌入预测等挑战。
• 总结基准数据集、开源实现及实际应用场景。
• 识别并讨论动态网络表示学习中的新兴研究方向。

提出的方法

• 将动态网络嵌入方法划分为两类数据模型：离散模型（快照驱动）与连续模型（时间连续）。
• 提出一种分层分类体系，将方法组织为结构优先与时间优先两大类，并进一步根据底层学习模型进行细化。
• 分析表示学习技术，包括基于RNN、GCN及耦合时间模型的方法，用于捕捉网络拓扑与节点属性的演化。
• 考察动态网络嵌入研究中使用的评估协议与基准数据集。
• 回顾开源实现及实际应用，如推荐系统、欺诈检测与交通预测。
• 识别关键挑战与未来研究方向，包括可扩展性、异质性与模型可解释性。

实验结果

研究问题

• RQ1 离散与连续数据模型在表示动态网络方面有何不同？各自的优点是什么？
• RQ2 结构优先与时间优先的动态网络嵌入方法在核心上存在哪些差异？
• RQ3 当前方法如何处理样本外节点并预测未来的网络状态？
• RQ4 动态网络嵌入最有效的评估协议与基准数据集是什么？
• RQ5 动态网络表示学习中的关键开放挑战与有前景的未来研究方向是什么？

主要发现

• 综述识别出两种主导数据模型——离散与连续模型，各自构成不同类动态网络嵌入技术的基础。
• 结构优先与时间优先方法代表了两大主要方法论类别，前者侧重于拓扑保持，后者强调时间动态性。
• 许多现有方法无法处理节点或边的删除，表明在建模一般性结构变化方面仍存在空白。
• 关键模型如DyHNE、EvolveGCN、JODIE与DynamicGEM已有开源实现，有助于复现与基准测试。
• 应用场景涵盖推荐系统、欺诈检测与交通预测，体现了动态嵌入的实际应用价值。
• 未来研究应聚焦于异质网络、可扩展建模、任务特定学习以及提升模型可解释性。