23、双视角：动态网络嵌入与可视化探索中的注解应用

双视角：动态网络嵌入与可视化探索中的注解应用

动态网络嵌入模型DynHAT的研究

在动态图表示学习领域，DynHAT模型是一种在双曲空间中进行动态图表示学习的创新模型。为了深入研究该模型主要组件的优越性，研究人员在Enron、UCI和Movielens数据集上，将DynHAT与不同的变体模型进行了对比。
- 变体模型介绍
- DynHA ：DynHAT移除了时间注意力块。该变体模型与静态模型不同，其嵌入是通过联合优化来预测特定快照的邻域，但没有显式的时间演化建模。
- DynAT ：DynHAT去掉了双曲几何，其聚合过程在欧几里得空间中构建。
- 实验结果对比
| 数据集 | AUC | | | AP | | |
| — | — | — | — | — | — | — |
| | Enron | UCI | ML - 10M | Enron | UCI | ML - 10M |
| DynHA | 88.93 ± 0.5 | 86.12 ± 0.5 | 86.76 ± 0.2 | 89.83 ± 0.8 | 85.71 ± 0.2 | 88.52 ± 0.2 |
| DynAT | 89.82 ± 0.4 | 87.35 ± 0.3 | 90.68 ± 0.5 | 89.62 ± 0.3 | 87.67 ± 0.3 | 91.73 ± 0.3 |
| Original | 91.88 ± 1.2 | 88.78 ± 0.2 | 91.23 ± 0.3 | 90.87 ±