[發明專利]一種基于卷積神經網絡的鏈路預測方法

在審

• 申請號: 202110292561.3
• 申請日: 2021-03-18
• 公開（公告）號: CN112860977A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 陳偉倫;周銀座;焦安楠;陳鴻漸;趙世躍
• 申請（專利權）人: 杭州師范大學
• 主分類號: G06F16/953
• 分類號: G06F16/953;G06N3/08;G06N3/04;G06N3/00
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種基于卷積神經網絡的鏈路預測方法。本發明包括如下步驟：步驟1、讀取數據，構建復雜網絡結構，并獲取網絡結構的最大連通集團；步驟2、對于網絡結構中的任一節點，提取節點的相似性序列；步驟3、構造特征工程；步驟4、對卷積神經網絡LeNet?LP模型進行訓練；步驟5、使用測試集樣本評價卷積神經網絡LeNet?LP模型性能。本發明使用三種鏈路預測的相似性指標構造特征矩陣，相當于使用了卷積神經網絡的通道數可拓展的特性把三種相似性指標在卷積運算的層面做了一個指標融合。因此在評價算法性能的時候需要對比那些被用作特征工程的相似性指標。本發明的算法取得的AUC對比其他算法有較為明顯的提升。

技術領域

本發明涉及一種基于卷積神經網絡的鏈路預測方法。

背景技術

復雜網絡在自然界中廣泛存在，并且與我們的生活息息相關。比如萬維網、航空網絡、在線社交網絡等關鍵網絡都可以看成復雜網絡，因此加強對復雜網絡的科學研究是人類社會日益迫切的需求。鏈路預測是復雜網絡中研究缺失連邊和未來形成連邊的重要組成部分。復雜網絡中的鏈路預測是指如何通過已知的網絡節點以及網絡結構信息預測網絡中尚未產生連邊的兩個節點之間產生連接的可能性，當前基于網絡結構的鏈路預測方法成果豐富,而基于深度學習方法的鏈路預測研究較少。

卷積神經網絡(Convolutional Neural Networks)是近幾年來深度學習中的研究熱點，卷積神經網絡被廣泛的運用于分類任務中。鏈路預測問題可以看作機器學習中的二分類問題。網絡中兩個節點之間存在連邊，可以被標記為1類，兩個節點之間不存在連邊標記為0類，因此卷積神經網絡也可以用于鏈路預測任務。但是目前將卷積神經網絡模型應用于鏈路預測任務的研究較少。

發明內容

本發明的目的是提供一種基于卷積神經網絡的鏈路預測算法。

本發明首先對數據進行預處理，讀取數據之后構造完整的復雜網絡，之后進行網絡結構的劃分，將網絡劃分為訓練網絡以及測試網絡，數據集也對應地劃分為訓練數據集和測試數據集。然后提取網絡中每一個節點的相似性序列。在整理特征工程時，將數據集中的邊的兩端端點的相似性序列整合成二維矩陣的行和列的坐標索引信息。然后通過創新的特征矩陣構造方式構造特征工程。最后將特征矩陣送入卷積神經網絡LeNet-LP模型進行學習訓練，使用測試集對模型的分類性能進行評價。

一種基于卷積神經網絡的鏈路預測方法，包括如下步驟：

步驟1、讀取數據，構建復雜網絡結構，并獲取網絡結構的最大連通集團；

本發明使用公開數據集，選取佛羅里達州食物鏈網絡(FWFW)、美國首選航線網絡(ATC)以及維基百科(Wiki)等實際網絡對應的數據集。

需要指出的是，本發明使用的網絡數據集為上述幾種實際網絡結構中最大連通集團。

在數據集劃分時，本發明采用隨機抽樣策略。隨機選取網絡中10％的連邊作為測試集的正樣本，剩余90％的連邊作為訓練集，從不存在的連邊的節點對列表中選取與測試集的正樣本等大的連邊集合作為測試集中的負樣本。

步驟2、對于網絡結構中的任一節點，提取節點的相似性序列；

首先，設定待提取的節點的相似性序列的長度N，例如設定N＝12，16，20......

對于網絡中的任意節點，計算該節點和網絡中其余節點的鏈路預測相似性指標，比如使用RA相似性指標。按照相似性指標的計算結果降序排列，取得相似性指標最大的前N個數值所對應的節點的序號，這些節點的序號形成一個序列，這個序列就是節點的相似性序列。

步驟3、構造特征工程；

31.構造矩陣