Deep Dynamic Network Embedding for Link Prediction 笔记_.temporal network embedding for link prediction vi-优快云博客

DDNE算法结合循环神经网络GRU捕捉网络的动态演变，通过一阶和二阶邻近的损失函数优化节点嵌入，用于动态网络的链接预测。该方法在静态的SDNE基础上增加了对历史状态的编码。尽管DDNE声称是首个动态网络嵌入方法，但实际上已有其他类似研究。论文在创新性和比较研究方面存在不足。

Another url：https://bulihanjie.github.io/2019/04/08/Deep-Dynamic-Network-Embedding-for-Link-Prediction-笔记/#more

摘要

通过考虑网络的历史演变过程，把各个时刻的网络快照映射到一个低维空间中，用以捕捉网络的时序演变以及网络结构。论文中，的DDNE算法，通过循环神经网络GRU反映节点嵌入的历史变化，使用类似SDNE算法中的loss进行优化，得到有效的节点嵌入。

参考资料

Li T, Zhang J, Philip S Y, et al. Deep dynamic network embedding for link prediction[J]. IEEE Access, 2018, 6: 29219-29230.
Wang D, Cui P, Zhu W. Structural deep network embedding[C]//Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2016: 1225-1234.

介绍

与静态网络相比，动态网络的节点嵌入需要同时考虑网络的时间信息以及网络的空间结构。因此，网络中不是时刻的快照都映射到一个低维空间中，节点在空间中的位置关系能够反映网络结构，不同时刻的节点嵌入差异也能反映网络的时序信息。论文中的DDNE算法框架图如下所示，主要包括encoder和decoder两部分，其中encoder利用GRU考虑节点的历史状态得到未来网络的节点嵌入，而decoder通过考虑网络的一阶和二阶邻近来进行优化。
DDNE框架
论文中，输入的 $X^t(i,:)$