ترجمه فارسی مقاله طرح رمزگذاری همسایگی: یک روش رمزگذاری ساختار کم‌هزینه برای پیش‌بینی پیوند پویا

چکیده

Structure encoding has proven to be the key feature to distinguishing links in a graph. However, Structure encoding in the temporal graph keeps changing as the graph evolves, repeatedly computing such features can be time-consuming due to the high-order subgraph construction. We develop the Co-Neighbor Encoding Schema (CNES) to address this issue. Instead of recomputing the feature by the link, CNES stores information in the memory to avoid redundant calculations. Besides, unlike the existing memory-based dynamic graph learning method that stores node hidden states, we introduce a hashtable-based memory to compress the adjacency matrix for efficient structure feature construction and updating with vector computation in parallel. Furthermore, CNES introduces a Temporal-Diverse Memory to generate long-term and short-term structure encoding for neighbors with different structural information. A dynamic graph learning framework, Co-Neighbor Encoding Network (CNE-N), is proposed using the aforementioned techniques. Extensive experiments on thirteen public datasets verify the effectiveness and efficiency of the proposed method.

چکیده به فارسی (ترجمه ماشینی)

رمزگذاری ساختار ثابت شده است که ویژگی اصلی تمایز پیوندها در یک نمودار است.با این حال ، رمزگذاری ساختار در نمودار زمانی با تکامل نمودار تغییر می کند ، به طور مکرر محاسبه چنین ویژگی هایی به دلیل ساخت زیرگراف مرتبه بالا می تواند زمان آور باشد.ما برای رسیدگی به این موضوع ، طرح رمزگذاری همسایگی (CNES) را توسعه می دهیم.CNES به جای بازخوانی ویژگی توسط پیوند ، اطلاعات را در حافظه ذخیره می کند تا از محاسبات اضافی جلوگیری شود.علاوه بر این ، بر خلاف روش یادگیری نمودار پویا مبتنی بر حافظه موجود که حالت های پنهان گره را ذخیره می کند ، ما یک حافظه مبتنی بر hashtable را برای فشرده سازی ماتریس مجاور برای ساخت ساختار کارآمد و به روزرسانی با محاسبات بردار به صورت موازی معرفی می کنیم.علاوه بر این ، CNES یک حافظه متنوع زمانی را برای تولید ساختار بلند مدت و کوتاه مدت برای همسایگان با اطلاعات ساختاری مختلف معرفی می کند.یک چارچوب یادگیری نمودار پویا ، شبکه رمزگذاری همسایه (CNE-N) ، با استفاده از تکنیک های فوق الذکر پیشنهاد شده است.آزمایش های گسترده در سیزده مجموعه داده عمومی اثربخشی و کارآیی روش پیشنهادی را تأیید می کند.