arXiv cs.AI· Tyler Bonnet, Marek Rei·· 3 天前AI 评分22
面向边分类的有向动态图建模中角色语义分析
An Analysis of Role Semantics in Directed Dynamic Graph Modeling for Edge Classification
AI 导读
针对有向动态图边分类中源、目标、查询、邻居等角色被共享参数混淆的问题，研究者提出一种基于序列模型的实验框架，通过定向嵌入和非对称预训练目标显式解耦角色语义。在多种标签预算下，该显式解耦相比基线取得显著且一致的相对性能提升，表征分析显示其收益来自源与目标隐空间的分叉，从而提升线性可分性。
正文 · AI 翻译
摘要：有向动态图上的边分类对于理解推荐系统和社交平台中不断演化的用户-物品交互与行为模式至关重要。现有的动态图架构通常使用共享参数来处理这些交互，而节点却具有语义上不同的角色，包括源节点、目标节点、查询节点和邻居节点。虽然在链接预测等任务中，充足的监督信号为模型提供了足够的梯度信号，使其能够隐式推断角色语义并克服这种混淆，但可用于边分类的标签往往要少得多。我们假设在这种情形下，模型隐式区分角色的能力受到限制，从而降低了下游性能。为了实证研究这一关系，我们引入了一个面向基于序列模型的实验框架，该框架通过有针对性的嵌入和非对称预训练目标显式地解耦功能角色。通过为这些角色提供架构先验，该框架可作为一种评估工具，在一系列标签预算下隔离并衡量由此产生的性能差异。我们的实证评估表明，这种显式的角色解耦相较于基线带来了显著且一致的相对性能提升。此外，表征分析揭示，该框架提供这些益处的机制是源与目标潜在空间的分叉，从而提高了线性可分性。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；社会与信息网络（cs.SI） |
| 引用为： | arXiv:2602.23135 [cs.LG] |
| （或使用 arXiv:2602.23135v3 [cs.LG] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2602.23135 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tyler Bonnet [查看邮箱]
[v1]
2026年2月26日星期四 15:51:51 UTC（980 KB）
[v2]
2026年6月27日星期六 09:53:28 UTC（1,251 KB）
[v3]
2026年10月12日星期一 08:05:35 UTC（6,622 KB）
来源：arXiv cs.AI · arxiv.org