EGCN动态图分类网络

SOTA 精度

通过引入隐式空间特征注意力与Transformer时序编码，动态图节点分类精度超越现有方法。

Yunqi, Cao · Chen, Hao Peng · Ruan, Jinteng

Lecture Notes in Computer Science 2023

参数信息

相对提升

1 %

相对提升

5 %

技术优势

能捕捉隐式空间特征

提出对隐式空间特征建模的方法，并与 GCN 结合引入 SAGCN 进行隐式空间特征注意力，从而更全面地挖掘动态图中的结构信息。

能提取时序特征

引入基于 Transformer 的时序特征提取模块 TEncoder，有效捕捉动态图中的时间演化模式。

精度更高

在 DBLP 数据集上，EGCN-T 相对基线 DS-TAGCN 提升 5%，达到领先水平。

应用场景

• 社交网络分析：可用于随时间演化的社交网络中对用户或社区进行节点分类，如预测用户兴趣变化。
• 异常检测：在动态图中利用时序和空间特征检测异常节点，如金融交易网络中的欺诈识别。
• 推荐系统：通过动态图节点分类捕捉用户-物品交互的时序变化，提升推荐系统的准确性。
• 图神经网络加速：通过改进特征提取和注意力机制，提升 GNN 在动态图上的计算效率和分类性能。