动态加权网络的时间链路预测方法、装置、设备及介质制造方法及图纸

技术编号:21898958 阅读:35 留言:0更新日期:2019-08-17 18:25
本发明专利技术适用计算机技术领域,提供了一种动态加权网络的时间链路预测方法,该方法包括:获取动态加权网络在连续的历史时间戳下的网络拓扑图,将历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络,预测得到动态加权网络在待预测时间戳下的网络拓扑图,生成对抗网络包括生成模型和对抗模型,生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络,从而实现了动态加权网络的时间链路预测,并提高了动态加权网络的时间链路预测准确度和效果。

Time Link Prediction Method, Device, Equipment and Media for Dynamic Weighted Networks

【技术实现步骤摘要】
动态加权网络的时间链路预测方法、装置、设备及介质
本专利技术属于计算机
,尤其涉及一种动态加权网络的时间链路预测更新方法、装置、设备及介质。
技术介绍
链路预测(LinkPrediction)是指,通过已知的网络节点和结构信息,预测网络中尚未产生连接边的两个节点之间产生链接的可能性,链路预测在动态网络分析中用于挖掘和分析网络演化。通常,链路预测可以分为结构链路预测和时间链路预测。结构链路预测仅考虑单个网络快照的网络结构,并预测同一网络内可能的未来链接。时间链路预测是在给定上一个时间戳的网络快照时,尝试构建出下一个时间戳的网络快照。传统的链路预测方法一般都是针对静态的网络快照,然而,现实中大部分的网络都是随时间动态变化的,随着时间的推移,网络中的节点或边会快速增长和变化。例如,在社交网络中,链接通常是随着个人社交伙伴关系的变化而动态变化的。因此,实现动态网络中的时间链路预测具有十分重要的现实意义,也越来越受到人们的关注。现实中的动态网络大多为动态加权网络,链接权重(即边权重)表达了网络节点之间关系的“强度”,并可以为链路预测带来重要的信息,例如,链接权重可能包括动态网络的延迟、流量、信号强度等有用信息。因此,动态网络中的时间链路预测不仅应确定链接的存在与否,还应考虑到相应的链接权重。在动态网络中的时间链路预测研究中,研究人员提出了分解网络结构的思想,通过分解网络快照、提取网络特征,来预测时间链接,却忽略了网络之间的动态连接,导致性能并不理想。还提出了为网络特征表示提供正则化的非负矩阵分解,来提高时间链接中非负矩阵分解的性能,但该分解方式是基于传统的线性模型,忽略了动态网络的潜在非线性特征,且无法适用于动态加权网络。还有研究人员提出使用深度神经网络进行时间链路预测,设计了一种称为条件时间限制玻尔兹曼的神经网络架构,其拓扩展了典型受限玻尔兹曼的结构以结合动态网络的时间元素,还设计了一种弱估计量,利用传统的相似性度量以便廉价地构建深度神经网络的有效特征向量。这些基于深度学习的方法也无法应对动态加权网络的链路预测。
技术实现思路
本专利技术的目的在于提供一种动态加权网络的时间链路预测方法、装置、设备及介质,旨在解决现有技术无法实现动态加权网络时间链路预测的问题。一方面,本专利技术提供了一种动态加权网络的时间链路预测方法,所述方法包括下述步骤:获取动态加权网络在连续的历史时间戳下的网络拓扑图;将所述历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络,预测得到所述动态加权网络在待预测时间戳下的网络拓扑图,所述生成对抗网络包括生成模型和判别模型,所述生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。另一方面,本专利技术提供了一种动态加权网络的时间链路预测装置,所述装置包括:历史网络图获取模块,用于获取动态加权网络在连续的历史时间戳下的网络拓扑图;以及网络图预测模块,用于将所述历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络,预测得到所述动态加权网络在待预测时间戳下的网络拓扑图,所述生成对抗网络包括生成模型和判别模型,所述生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。另一方面,本专利技术还提供了一种计算设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述动态加权网络的时间链路预测方法所述的步骤。另一方面,本专利技术还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述动态加权网络的时间链路预测方法所述的步骤。本专利技术获取动态加权网络在连续历史时间戳下的网络拓扑图,将连续历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络,预测得到动态加权网络在待预测时间戳下的网络拓扑图,其中,生成对抗网络包括生成模型和判别模型,生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络,从而通过结合了注意力图卷积网络、时间矩阵分解、注意力机制和长短期记忆网络的生成对抗网络,充分考虑到动态加权网络的链路权重、线性特征和非线性特征,实现对动态加权网络的时间链路预测,提高动态加权网络时间链路预测的准确度和效果。附图说明图1是本专利技术实施例一提供的动态加权网络的时间链路预测方法的实现流程图;图2是本专利技术实施例二提供的动态加权网络的时间链路预测方法的实现流程图;图3是本专利技术实施例三提供的动态加权网络的时间链路预测装置的结构示意图;图4是本专利技术实施例三提供的动态加权网络时间链路预测装置的优选结构示意图;以及图5是本专利技术实施例四提供的计算设备的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本专利技术进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本专利技术,并不用于限定本专利技术。以下结合具体实施例对本专利技术的具体实现进行详细描述:实施例一:图1示出了本专利技术实施例一提供的动态加权网络的时间链路预测方法的实现流程,为了便于说明,仅示出了与本专利技术实施例相关的部分,详述如下:在步骤S101中,获取动态加权网络在连续的历史时间戳下的网络拓扑图。本专利技术实施例适用于数据处理设备,例如计算机、服务器或者由多个服务器构成的服务器集群。在本专利技术实施例中,动态加权网络的网络拓扑结构会随时间变化而变化,包括网络顶点的属性随时间发生变化、网络顶点的个数随时间发生变化和边连接关系随时间发生变化。对于下一未来时间戳出现的新顶点,在历史时间戳的网络拓扑结构中并未包含新顶点的信息,基于网络拓扑结构的时间链路预测无法预测到新出现的顶点,因此在本专利技术实施例中不考虑网络顶点的个数随时间发生变化的情况。动态加权网络表示为按照连续时间戳排序的网络拓扑图序列:G={G1,G2,…,Gt},其中,Gt表示动态加权网络G在时间戳t下的网络拓扑图。Gt={V,Et,Wt},V为Gt的顶点集,由于不考虑网络顶点的个数随时间发生变化的情况,G中的所有网络拓扑图具有相同的顶点集,Et为Gt的边集,Wt为Et中各边的权重集。在本专利技术实施例中,可使用Gt的邻接矩阵At来描述Gt静态的网络拓扑结构。对于未加权的动态网络,At为二进制矩阵,而对于动态加权网络,At包含随时间变化的边的权重。具体地,当顶点i和顶点j之间存在边(即(i,j)∈Et)、且该边的权重为(Wt)ij时,(At)ij=(Wt)ij。动态加权网络的时间链路预测是在给定先前观察到的l个网络拓扑结构A(t-l+1:t)={At-l+1,At-l+2,…,At}的情况下,在下一时间戳t+1时预测动态加权网络的网络拓扑结构At+1。其中,l个网络拓扑结构A(t-l+1:t)={At-l+1,At-l+2,…,At}即l个历史时间戳下网络拓扑图对应的网络拓扑结构,下一时间戳t+1即待预测时间戳。在步骤S102中,将历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络,预测得到动态加权网络在待预测时间戳下的网络拓扑图,生成对抗网络包括生成模型和判别模型,生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增本文档来自技高网
...

【技术保护点】
1.一种动态加权网络的时间链路预测方法,其特征在于,所述方法包括:获取动态加权网络在连续的历史时间戳下的网络拓扑图;将所述历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络,预测得到所述动态加权网络在待预测时间戳下的网络拓扑图,所述生成对抗网络包括生成模型和判别模型,所述生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。

【技术特征摘要】
1.一种动态加权网络的时间链路预测方法,其特征在于,所述方法包括:获取动态加权网络在连续的历史时间戳下的网络拓扑图;将所述历史时间戳下的网络拓扑图输入预先训练好的生成对抗网络,预测得到所述动态加权网络在待预测时间戳下的网络拓扑图,所述生成对抗网络包括生成模型和判别模型,所述生成模型包括注意力图卷积网络和融合了时间矩阵分解、注意力机制和长短期记忆网络的增强注意力长短期记忆网络。2.如权利要求1所述的方法,其特征在于,预测得到所述动态加权网络在待预测时间戳下的网络拓扑图的步骤,包括:通过所述注意力图卷积网络对所述获取的每个历史时间戳下的网络拓扑图进行特征提取,得到所述每个历史时间戳下网络拓扑图的综合网络特征;通过所述增强注意力长短期记忆网络对所述动态加权网络的综合网络特征进行学习,得到所述每个历史时间戳下网络拓扑图的隐藏状态向量;依据所述每个历史时间戳下网络拓扑图的隐藏状态向量,生成所述动态加权网络在所述待预测时间戳下的网络拓扑图。3.如权利要求2所述的方法,其特征在于,通过所述注意力图卷积网络对所述获取的每个历史时间戳下的网络拓扑图进行特征提取的步骤,包括:采用自注意力机制对所述历史时间戳下网络拓扑图的特征矩阵进行更新;将所述历史时间戳下网络拓扑图的邻接矩阵和更新后的所述特征矩阵输入图卷积网络,得到所述历史时间戳下网络拓扑图的综合网络特征。4.如权利要求2所述的方法,其特征在于,通过所述增强注意力长短期记忆网络对所述动态加权网络的综合网络特征进行学习的步骤,包括:对所述历史时间戳下网络拓扑图的邻接矩阵进行时间矩阵分解,获得历史时间戳下网络拓扑图的静态上下文向量和动态潜在特征;根据所述历史时间戳下网络拓扑图的综合网络特征和动态潜在特征,采用注意力机制计算所述历史时间戳下网络拓扑图对应的注意力权重;根据所述历史时间戳下网络拓扑图的综合网络特征和注意力权重,计算所述每个历史时间戳下网络拓扑图的上下文向量;将所述历史时间戳下网络拓扑图的上下文向量和静态上下文向量输入所述长短期记忆网络,计算得到所述历...

【专利技术属性】
技术研发人员:曲强杨敏陈磊
申请(专利权)人:中国科学院深圳先进技术研究院
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1