时序实体聚类在动态图谱表示学习中的算法实现及评估研究.pdfVIP

时序实体聚类在动态图谱表示学习中的算法实现及评估研究1

时序实体聚类在动态图谱表示学习中的算法实现及评估研究

1.研究背景与意义

1.1时序实体聚类与动态图谱表示学习的关联

时序实体聚类与动态图谱表示学习紧密相连，二者相互促进、协同发展，共同推动

了复杂数据结构分析与知识提取的前沿进展。

•数据结构契合：动态图谱表示学习旨在对随时间变化的图结构数据进行有效表示，

而时序实体聚类正是处理这类数据的关键环节。在动态图中，实体（节点）及其

关系（边）随时间演变，时序实体聚类能够将具有相似时序特征的实体聚集在一

起，为动态图谱表示学习提供更清晰、更有意义的“局部结构”。例如，在社交网络

动态图中，用户（实体）的行为模式（如发帖频率、互动对象等）随时间变化，通

过时序聚类可以将行为模式相似的用户分到同一簇，使得动态图谱表示学习能够

更精准地捕捉到不同用户群体的行为特征及其随时间的演化规律，从而构建出更

具表达力和区分度的图谱表示。

•知识提取互补：从知识提取的角度看，动态图谱表示学习通过对图结构的整体表