[论文解读] Dynamic Network Embeddings for Network Evolution Analysis

Chuanchang Chen, Yubo Tao+1 more|arXiv (Cornell University)|Jun 24, 2019

Complex Network Analysis Techniques参考文献 37被引用 6

一句话总结

该论文提出了一种动态网络嵌入方法，结合随机游走与动态伯努利嵌入，以在离散时间的网络嵌入中同时保持结构邻近性和时间连续性，无需在时间步之间进行嵌入对齐，即可在链路预测和演化节点检测任务中达到最先进性能。

ABSTRACT

Network embeddings learn to represent nodes as low-dimensional vectors to preserve the proximity between nodes and communities of the network for network analysis. The temporal edges (e.g., relationships, contacts, and emails) in dynamic networks are important for network evolution analysis, but few existing methods in network embeddings can capture the dynamic information from temporal edges. In this paper, we propose a novel dynamic network embedding method to analyze evolution patterns of dynamic networks effectively. Our method uses random walk to keep the proximity between nodes and applies dynamic Bernoulli embeddings to train discrete-time network embeddings in the same vector space without alignments to preserve the temporal continuity of stable nodes. We compare our method with several state-of-the-art methods by link prediction and evolving node detection, and the experiments demonstrate that our method generally has better performance in these tasks. Our method is further verified by two real-world dynamic networks via detecting evolving nodes and visualizing their temporal trajectories in the embedded space.

研究动机与目标

• 解决静态网络嵌入方法在捕捉演化网络时间动态性方面的局限性。
• 在动态网络的离散时间步中，同时保持节点的邻近性与稳定节点的时间连续性。
• 实现有效的演化模式分析，而无需在时间步之间进行复杂的嵌入对齐。
• 支持链路预测与演化节点检测等任务，并提升性能。
• 通过可视化演化节点的时间轨迹，揭示有意义的网络演化模式。

提出的方法

• 在动态网络上应用随机游走，以在每个时间步保持节点之间的结构邻近性。
• 使用动态伯努利嵌入在共享向量空间中学习时间特定的节点表示，无需对齐。
• 通过确保连续时间步中相似的嵌入，训练模型以保持稳定节点的时间连续性。
• 采用滑动窗口方法，结合固定间隔与重叠率，构建离散时间的网络快照。
• 使用噪声对比估计目标优化嵌入空间，以建模时间边动态。
• 通过时间有序游走策略整合时间边信息，尊重交互事件的时间顺序。

实验结果

研究问题

• RQ1 能否在离散时间动态网络中，同时保持结构邻近性与时间连续性？
• RQ2 在链路预测任务中，所提出方法相较于最先进静态与动态嵌入方法表现如何？
• RQ3 该方法在多大程度上能够检测并可视化随时间演化的节点？
• RQ4 该方法能否揭示现实网络中如节点迁移或角色变化等有意义的演化模式？
• RQ5 缺乏嵌入对齐是否能提升动态网络分析中的性能与鲁棒性？

主要发现

• 所提方法在链路预测任务中表现优于最先进静态与动态网络嵌入方法。
• 在演化节点检测任务中优于现有方法，成功识别出随时间出现、消失或连接模式发生变化的节点。
• 在校园接触网络中，该方法正确捕捉了与学校作息时间一致的演化模式，包括课间休息与午餐时间。
• 轨迹可视化显示，学生201与学生74在不同班级间移动，并在午餐时间互动，暗示存在社交聚类及潜在友谊形成。
• 在电子邮件网络中，该方法识别出研究者90为新加入者，早期连接稀疏，后迁至新部门；研究者328则为逐渐崛起的核心成员，其连接性随时间增加。
• 该方法在时间步之间保持了不活跃节点的稳定嵌入，证明了无需对齐即可有效保持时间连续性。