[發明專利]基于時空聚合的靈活動態網絡鏈路預測方法、系統及應用

有效

• 申請號: 202110132110.3
• 申請日: 2021-01-31
• 公開（公告）號: CN112766464B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 易運暉;程相澤;趙楠;陳南;朱暢華;何先燈;權東曉
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06N3/045
• 分類號: G06N3/045;G06N3/047;G06N3/0475;G06N3/048;G06N3/044;G06N3/0442;G06N3/088;G06N3/094;G06N5/04
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

本發明屬于網絡鏈路預測技術領域，公開了一種基于時空聚合的靈活動態網絡鏈路預測方法、系統及應用，所述動態網絡鏈路預測方法包括：構建基于時空聚合的靈活動態網絡鏈路預測模型，在每個時間步共享相同參數；通過變分推理原理對節點嵌入進行采樣，利用構建基于時空聚合的靈活動態網絡鏈路預測模型進行動態網絡鏈路預測。本發明提供一種動態網絡鏈路預測方法，可用于動態網絡分析，通過對過去時間的網絡狀態進行建模，預測未來網絡中節點之間鏈接的變化，計算過程中參數少，誤差小，計算準確度高。本發明不需要額外的節點特征、標簽或隨機游走過程作為其中的一部分，并且由于參數更少，可以更加靈活地擴展到更大的圖形。

技術領域

本發明屬于網絡鏈路預測技術領域，尤其涉及一種基于時空聚合的靈活動態網絡鏈路預測方法、系統及應用。

背景技術

目前，動態網絡鏈路預測是指通過網絡中節點的歷史信息以及網絡結構等信息預測未來網絡中節點之間鏈接的變化。其不僅對于理解和捕捉現實世界網絡的進化規則很重要，而且在許多應用中也很有用，例如推薦科學網絡中的合作者，預測蛋白質對之間的相互作用，或者預測社交網絡中用戶之間的關系。

(1)圖卷積網絡(GCN)

可以認為圖卷積網絡(GCN)是一種可聚合的函數，用于從節點的直接鄰域聚集信息。GCN通過用來表示圖G的歸一化的鄰接矩陣和節點的初始特征矩陣X，計算一個新的節點特征X∈R^N×D為節點特征，可以使用預先計算的頂點特征進行初始化，但是使用單熱點特征向量進行初始化就足夠了(在這種情況下，X是單位矩陣I)。GCN可以包含聚合數據的許多層，其中GCN在每一層執行的操作是：

其中，I_N是單位矩陣，是的度矩陣，W^(l)是層特定的可訓練權重矩陣，σ(·)表示激活函數，例如ReLU(·)＝max(0,·)，H^(l)∈R^N×D是第l層中的激活矩陣，H⁽⁰⁾＝X。單層GCN可以保持一階鄰近性，多層GCN在實踐中經常使用，因為它可以捕獲高階鄰近性信息。

(2)循環神經網絡(RNN)

循環神經網絡(RNN)是在神經元之間既有循環依賴性的神經網絡。循環層的活動取決于它們自己先前從前向傳遞獲得的激活，因此形成一種內部狀態，可以跨時間步長存儲信息。它們經常用于順序處理任務中，其中某個時間步的響應以某種方式取決于先前的觀察結果。

(3)生成式對抗網絡(GAN)

一般來說，生成對抗網絡(GAN)由一個生成模型G和一個鑒別模型D組成，生成模型G和鑒別模型D在一個極小極大游戲中競爭。首先，D試圖將訓練集中的真實數據與G生成的數據區分開來，另一方面，G試圖忽悠D，生成高質量的樣本(數據)。從形式上來說，這樣的過程可以描述如下(具有兩個可選的優化步驟)：

其中x是來自訓練集的真實數據，z是從某個概率分布(例如，正態分布)產生的噪聲。

現有的鏈路預測技術如下：

VGAE：變分圖自編碼器，將變分自編碼器思想應用到圖領域，利用了潛在變量，能夠學習無向圖的可解釋潛在表示，其模型在圖G_t上訓練，然后直接預測下一圖形G_t+1。

GCRN：一種能夠預測結構化數據序列的深度學習模型，將卷積神經網絡(CNN)結合在圖形上以識別空間結構，并將RNN用于尋找動態模式。

dyngraph2vecAE：一種非卷積圖嵌入模型，和SDNE類似，基于圖自編碼器的使用，通過在傳遞到模型之前將過去的圖的行連接在一起，擴展到時間圖，學習動態圖中的演化結構。