[發明專利]一種復雜網絡拓撲圖表示學習方法、預測方法及服務器

在審

• 申請號: 202110198812.1
• 申請日: 2021-02-22
• 公開（公告）號: CN113065649A
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 劉冰;李洪濤;馬永征;楊學
• 申請（專利權）人: 中國互聯網絡信息中心
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06N3/06
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 司立彬

1.一種復雜網絡拓撲圖表示學習方法，其步驟包括：

1)從復雜網絡拓撲圖結構數據中提取鄰接矩陣A和特征矩陣X；

2)將鄰接矩陣A中設定位置的節點按一定概率p置0，得到加噪后的鄰接矩陣A′；

3)將所述鄰接矩陣A′和特征矩陣X輸入到圖神經網絡中；圖神經網絡的編碼模塊對輸入的鄰接矩陣A′和特征矩陣X進行深度學習和特征編碼，得到復雜網絡拓撲圖中各節點的嵌入表示，然后將各節點的嵌入表示進行稀疏化處理并輸入到圖神經網絡的解碼模塊；其中，圖神經網絡的損失函數中添加一個稀疏性約束；

4)解碼模塊根據輸入的稀疏節點表示重構復雜網絡拓撲圖，然后利用添加稀疏性約束的損失函數計算重構復雜網絡拓撲圖與原始復雜網絡拓撲圖的損失值；

5)通過梯度下降方法不斷計算損失函數的梯度值，優化所述圖神經網絡的參數矩陣，當參數矩陣達到最優時，將編碼模塊得到的各節點的嵌入表示，作為復雜網絡拓撲圖中各節點的嵌入表示。

2.如權利要求1所述的方法，其特征在于，所述稀疏性約束為一個正則懲罰項。

3.如權利要求2所述的方法，其特征在于，所述圖神經網絡的原損失函數為交叉熵損失函數，在所述交叉熵損失函數的基礎上添加KL散度或L1正則化，作為訓練優化所述圖神經網絡所用的損失函數。

4.如權利要求3所述的方法，其特征在于，訓練優化所述圖神經網絡所用的損失函數為其中，ρ(Z)為正則懲罰項，y表示鄰接矩陣A′中的一個元素值，表示重構復雜網絡拓撲圖的鄰接矩陣中與y相對應元素的元素值，N為節點總數。

5.如權利要求1所述的方法，其特征在于，得到鄰接矩陣A′的方法為：對復雜網絡拓撲圖中的N個節點分別計算PageRank值，然后在鄰接矩陣A中排名前M/2節點和排名后M/2節點對應的位置采用DropEdge策略按設定概率p進行刪除，得到加噪后的鄰接矩陣A′；其中MN，p∈[0,1]。

6.如權利要求1所述的方法，其特征在于，所述復雜網絡拓撲圖為自治系統的復雜網絡拓撲圖。

7.一種復雜網絡鏈路預測方法，其特征在于，利用權利要求1所述方法得到的復雜網絡拓撲圖中各節點的圖嵌入表示，作為神經網絡或分類器的輸入特征，預測出相應邊是否存在。

8.一種復雜網絡圖生成方法，其特征在于，利用權利要求1所述方法得到的復雜網絡拓撲圖中的各節點的圖嵌入表示結合鏈路預測任務，預測復雜網絡拓撲圖的新邊，然后根據預測結果更新復雜網絡拓撲圖。

9.一種服務器，其特征在于，包括存儲器和處理器，所述存儲器存儲計算機程序，所述計算機程序被配置為由所述處理器執行，所述計算機程序包括用于執行權利要求1至8任一所述方法中各步驟的指令。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至8任一所述方法的步驟。