[WSDM 2022]An Effective Graph Learning based Approach for Temporal Link Prediction The First Place o...

[WSDM 2022]An Effective Graph Learning based Approach for Temporal Link Prediction: The First Place of WSDM Cup 2022

总结

传统模型+拓扑结构中生成更多的特征实现拟合，并没有对时间间隔进行优化

介绍

这是WSDM在2022举办的竞赛，要求是预测时序图中一定时间窗口内的边。这篇是获得第一名的蚂蚁集团的算法论文。

数据集

比赛中会为每组查询提供时间窗口，且提供了三组test数据集，inter和final是没有ground truth的，最后final上的结果作为了比赛结果。

表2找出了initial test里的边已存在于train里的边。可以看到绝大多数的边都不是第一次出现。因此作者尝试了仅根据训练集里边的存在与否进行了预测，实验结果为表3。这个预测结果已经比官方baseline要好了。可见一阶关系是很重要的。

此外，作者还统计了与init test中的相同边的label的模和均值作为预测，结果同样很好。

模型

训练集

原始数据集中只有时间戳信息，但实际测试的是时间间隔。因此作者直接对边进行了随机采样来制作负样本。更具体地说，采样原图中的边为正样本，再保持源点不变，随机改变关系和目标点。

此外，作者还删除了冗余特征。一个是删除了所有时间相关特征，一个是删除B中的所有边特征，因为B中有边特征的边非常少。

特征

点嵌入算法使用LINE，得到的点特征通过余弦距离和内积判断它们之间的关系。

此外，对于点特征，还将点的度、连接的不同类型的点数和边数作为特征

对于点对，连接同一个一跳/两跳邻居点的连接数量以及连接边类型作为特征

此外，还利用了相同三元组(点边点)的出现次数

Catboost模型

直接使用Catboost模型进行预测

实验结果