[發(fā)明專利]基于關(guān)系內(nèi)容聯(lián)合嵌入卷積神經(jīng)網(wǎng)絡(luò)的鏈路預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202110085651.5
• 申請日: 2021-01-22
• 公開（公告）號: CN112765415A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計）人: 朱笑巖;張琳杰;馬建峰
• 申請（專利權(quán)）人: 西安電子科技大學
• 主分類號: G06F16/901
• 分類號: G06F16/901;G06F16/903;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;黎漢華

1.一種基于關(guān)系內(nèi)容聯(lián)合嵌入卷積神經(jīng)網(wǎng)絡(luò)的鏈路預(yù)測方法，其特征在于，包括如下：

(1)獲取鏈路網(wǎng)絡(luò)中每一個節(jié)點的一階鄰居節(jié)點集合和二階鄰居節(jié)點集合，并對這兩個集合進行采樣，根據(jù)采樣結(jié)果計算節(jié)點對的結(jié)構(gòu)初始向量a_i；

(2)根據(jù)鏈路網(wǎng)絡(luò)中每一個節(jié)點的內(nèi)容信息計算節(jié)點內(nèi)容嵌入向量，并將鏈路網(wǎng)絡(luò)中所有節(jié)點兩兩配對，計算每個節(jié)點對的內(nèi)容嵌入向量b_i；

(3)從鏈路網(wǎng)絡(luò)所有節(jié)點對中，隨機選取2437個節(jié)點對，組成訓練樣本集，獲取訓練樣本的節(jié)點對的結(jié)構(gòu)初始向量、節(jié)點對的內(nèi)容嵌入向量、節(jié)點對的真實標簽值，從除去訓練樣本集的鏈路網(wǎng)絡(luò)中剩余所有節(jié)點對中，隨機選取429個節(jié)點對，組成測試樣本集，獲取測試樣本的節(jié)點對的結(jié)構(gòu)初始向量、節(jié)點對的內(nèi)容嵌入向量；

(4)構(gòu)建依次由1層采樣層，20層卷積層，16層池化層，2層隱藏層，1層全連接層級聯(lián)組成的卷積神經(jīng)網(wǎng)絡(luò)，并在隱藏層選擇哈達瑪積作為隱藏層的計算函數(shù)，選擇Relu函數(shù)作為隱藏層的激活函數(shù)，選擇訓練樣本的訓練誤差l_i作為該網(wǎng)絡(luò)的損失函數(shù)；

(5)訓練卷積神經(jīng)網(wǎng)絡(luò)：

設(shè)置初始權(quán)重向量m₁，初始學習率為η₁，最大迭代輪次數(shù)為Q_MAX，將訓練樣本集分為i批次輸入到卷積神經(jīng)網(wǎng)絡(luò)中，對其進行訓練，直到網(wǎng)絡(luò)的損失函數(shù)收斂或者達到最大迭代輪次數(shù)，得到訓練好的卷積神經(jīng)網(wǎng)絡(luò)；

(6)將測試樣本集中的每個樣本的節(jié)點對的結(jié)構(gòu)向量、節(jié)點對的內(nèi)容嵌入向量輸入到已經(jīng)訓練好的神經(jīng)網(wǎng)絡(luò)中，得到測試樣本集中所有節(jié)點對的預(yù)測標簽值W；

(7)設(shè)定檢測閾值H，將(6)得到的預(yù)測標簽值W與檢測閾值H進行比較，得到最終鏈路預(yù)測結(jié)果：

若W＞H，則認為該鏈路存在；

若W≤H，則認為該鏈路不存在。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，(1)中根據(jù)采樣結(jié)果計算節(jié)點對的結(jié)構(gòu)初始向量，實現(xiàn)如下：

(1a)從鏈路網(wǎng)絡(luò)中選取一個新目標節(jié)點i；

(1b)從新目標節(jié)點i的一階鄰居節(jié)點集合中隨機選擇一個輔助節(jié)點j，將新目標節(jié)點i和輔助節(jié)點j組成節(jié)點對，計算節(jié)點對的連接貼近度R_ij：

其中，U_i表示新目標節(jié)點i的一階鄰居節(jié)點集合，表示新目標節(jié)點i的一階鄰居節(jié)點集合的維數(shù)，U_j表示輔助節(jié)點j的一階鄰居節(jié)點集合，表示輔助節(jié)點j的一階鄰居節(jié)點集合的維數(shù)；

(1c)計算節(jié)點對的范圍貼近度S_ij：

其中，U_g表示新目標節(jié)點i的一階鄰居節(jié)點集合和輔助節(jié)點j的一階鄰居節(jié)點集合的交集，表示新目標節(jié)點i的一階鄰居節(jié)點集合和輔助節(jié)點j的一階鄰居節(jié)點的交集的維數(shù)；

(1d)計算節(jié)點對的整體貼近度J_ij：

其中，ρ是將高維稠密的數(shù)據(jù)映射為低維稠密數(shù)據(jù)的映射向量，α表示節(jié)點對的連接貼近度的責任權(quán)重，表示多層感知機的級聯(lián)運算，β表示節(jié)點對的范圍貼近度的責任權(quán)重；

(1e)判斷是否選夠32個輔助節(jié)點j：若是，則把32個節(jié)點對的整體貼近度J_ij組成結(jié)構(gòu)初始向量：

ε_i＝[J_ij]₃₂，

其中，[]為組成運算符，執(zhí)行(1f)；

否則，返回(1b)；

(1f)判斷是否選完所有新目標節(jié)點：若是，則把所有的結(jié)構(gòu)初始向量ε_i拼接成節(jié)點對的結(jié)構(gòu)初始向量：

a_i＝∪ε_i，

其中，∪為拼接運算符；

否則，返回(1a)。