Neues Deep-Graph-Modell verbessert Vorhersage von zeitlichen Interaktionsnetzwerken

Ein brandneues Modell namens Deep Graph Neural Point Process (DGNPP) hat die Forschung zu zeitlichen Interaktionsnetzwerken (TIN) auf ein neues Level gehoben. Während frühere Ansätze die Netzwerkstruktur vernachlässigten, integriert DGNPP gezielt die Topologie, um präzisere Vorhersagen zu ermöglichen.

DGNPP besteht aus zwei Kernkomponenten: der Node Aggregation Layer, die die statische Struktur der Nutzer‑ und Item‑Knoten erfasst, und der Self Attentive Layer, die die Embeddings dynamisch im Zeitverlauf aktualisiert. Durch die Kombination beider Embeddings in die Ereignisintensitätsfunktion kann das Modell sowohl die Wahrscheinlichkeit eines Ereignisses als auch dessen Auftretenszeit exakt bestimmen.

Die Optimierung erfolgt über Maximum‑Likelihood‑Estimation, wodurch das Modell robuste Vorhersagen liefert. In umfangreichen Tests auf drei öffentlichen Datensätzen hat DGNPP die Leistung bei der Ereignis‑ und Zeitvorhersage deutlich über den bisherigen Basismodellen übertroffen und dabei gleichzeitig die Rechenzeit reduziert.

Diese Ergebnisse zeigen, dass die Berücksichtigung von Netzwerktopologie in Kombination mit dynamischen Embeddings einen entscheidenden Fortschritt in der Analyse von zeitlichen Interaktionsnetzwerken darstellt. DGNPP eröffnet neue Möglichkeiten für Anwendungen, die auf präzise Vorhersagen von Nutzerinteraktionen angewiesen sind.