[發(fā)明專利]根據(jù)節(jié)點交互模式對動態(tài)網(wǎng)絡(luò)中的節(jié)點分類方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110342388.3
• 申請日: 2021-03-30
• 公開（公告）號: CN113076990A
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)計）人: 趙璽;任一民;劉佳璠;鄒建華
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 王艾華

本發(fā)明公開了一種根據(jù)節(jié)點交互模式對動態(tài)網(wǎng)絡(luò)中的節(jié)點分類方法及系統(tǒng)，將包含N個節(jié)點的動態(tài)網(wǎng)絡(luò)解耦為N個自我中心網(wǎng)絡(luò)；將每個自我中心網(wǎng)絡(luò)建立起止時間段內(nèi)的動態(tài)過程按照時間順序平均離散為T個時刻；根據(jù)時間信息提取每個自我中心網(wǎng)絡(luò)的點序列與邊序列；將所述每個自我中心網(wǎng)絡(luò)的點序列與邊序列匹配為N個稀疏交互矩陣；將稀疏交互矩陣根據(jù)時間順序壓縮為N個離散交互矩陣；根據(jù)所述N個離散交互矩陣使用CNN提取每個自我中心網(wǎng)絡(luò)的特征作為自我中心網(wǎng)絡(luò)中心節(jié)點的特征進行節(jié)點分類該方法提出的拓?fù)鋽?shù)據(jù)組織方式與特征提取方式對于拓?fù)浣Y(jié)構(gòu)中的信息挖掘具有實際意義，在不增加信息量的同時，降低空間復(fù)雜度并且大大提高了節(jié)點分類的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明屬于動態(tài)網(wǎng)絡(luò)的節(jié)點分類技術(shù)領(lǐng)域，具體為根據(jù)節(jié)點交互模式對動態(tài)網(wǎng)絡(luò)中的節(jié)點分類方法及系統(tǒng)。

背景技術(shù)

動態(tài)網(wǎng)絡(luò)應(yīng)用于廣泛的領(lǐng)域，包括社會網(wǎng)絡(luò)分析、推薦系統(tǒng)和流行病學(xué)。將復(fù)雜網(wǎng)絡(luò)表示為隨時間變化的結(jié)構(gòu)，使得網(wǎng)絡(luò)模型不僅能夠利用結(jié)構(gòu)模式，還能夠利用時間模式。然而，由于動態(tài)網(wǎng)絡(luò)文獻來源于不同的領(lǐng)域，并且使用了不一致的術(shù)語，因此導(dǎo)航具有挑戰(zhàn)性。與此同時，近年來，圖神經(jīng)網(wǎng)絡(luò)因其在鏈路預(yù)測和節(jié)點分類等一系列網(wǎng)絡(luò)科學(xué)任務(wù)中表現(xiàn)出色而受到廣泛關(guān)注。

節(jié)點分類是將圖節(jié)點分類成不同類別的問題。節(jié)點分類問題的一個例子是根據(jù)社交網(wǎng)絡(luò)用戶的屬性、聯(lián)系和活動來預(yù)測他們的政治傾向。特別地，人們可能對在流式場景中進行這樣的預(yù)測感興趣，在流式場景中，分類分?jǐn)?shù)隨著新事件的發(fā)生或隨著用戶活動的觀察而不斷更新。節(jié)點分類通常在兩種情況下進行研究:直推式和歸納式。在直推式方法(也稱為半監(jiān)督分類)中，給定幾個節(jié)點的標(biāo)簽，我們希望預(yù)測圖中其他節(jié)點的標(biāo)簽。在歸納設(shè)置中，標(biāo)簽是為在訓(xùn)練中沒有看到的新節(jié)點預(yù)測的。在動態(tài)情況下，節(jié)點分類的問題變得具有挑戰(zhàn)性，因為類標(biāo)簽的分布可能隨著時間而改變。

當(dāng)前在動態(tài)網(wǎng)絡(luò)中的節(jié)點分類技術(shù)基本由靜態(tài)網(wǎng)絡(luò)中個的節(jié)點分類技術(shù)擴展而來。對于動態(tài)網(wǎng)絡(luò)，先由靜態(tài)網(wǎng)絡(luò)中的節(jié)點分類技術(shù)通過不同時期的模糊集來聚合鄰居節(jié)點的信息。結(jié)合RNN等時間序列模型，靜態(tài)網(wǎng)絡(luò)中的節(jié)點分類技術(shù)可以利用時間序列模型將靜態(tài)網(wǎng)絡(luò)中的節(jié)點分類技術(shù)提取的信息進行組合。然而，對于由交互模式主導(dǎo)的動態(tài)網(wǎng)絡(luò)來說。靜態(tài)網(wǎng)絡(luò)中的節(jié)點分類技術(shù)無法描述它們復(fù)雜的相互作用。因此，設(shè)計其他方法來關(guān)注由交互模式而不是關(guān)系信息主導(dǎo)的圖形仍然存在差距。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種根據(jù)節(jié)點交互模式對動態(tài)網(wǎng)絡(luò)中的節(jié)點分類方法及系統(tǒng)；在多個動態(tài)網(wǎng)絡(luò)中的節(jié)點分類任務(wù)中都具有較高的準(zhǔn)確率，為提取動態(tài)網(wǎng)絡(luò)中的特征提供一種新的思路。

為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：一種根據(jù)節(jié)點交互模式對動態(tài)網(wǎng)絡(luò)中的節(jié)點分類方法，包括以下步驟：

將包含N個節(jié)點的動態(tài)網(wǎng)絡(luò)解耦為N個自我中心網(wǎng)絡(luò)；

將N個自我中心網(wǎng)絡(luò)中每個自我中心網(wǎng)絡(luò)建立起止時間段內(nèi)的動態(tài)過程按照時間順序平均離散為T個時刻；

根據(jù)時間信息提取每個自我中心網(wǎng)絡(luò)的點序列與邊序列；

將所述每個自我中心網(wǎng)絡(luò)的點序列與邊序列匹配為N個稀疏交互矩陣；

將稀疏交互矩陣根據(jù)時間順序壓縮為N個離散交互矩陣；

根據(jù)所述N個離散交互矩陣使用CNN提取每個自我中心網(wǎng)絡(luò)的特征作為自我中心網(wǎng)絡(luò)中心節(jié)點的特征進行節(jié)點分類。

將包含N個節(jié)點的動態(tài)網(wǎng)絡(luò)解耦為N個自我中心網(wǎng)絡(luò)的具體過程是：對原始網(wǎng)絡(luò)中的每一個節(jié)點，提取其所有一跳鄰居節(jié)點、所述節(jié)點與其一跳鄰居節(jié)點之間的邊，分別作為所述節(jié)點的自我中心網(wǎng)絡(luò)的點集與邊集；其中點集中的元素為：

node_i，

邊集中的元素為：