一种基于多视图的动态链路预测深度模型及应用制造技术

本发明专利技术公开了一种基于多视图的动态链路预测深度模型及应用，该动态链路预测深度模型包括：池化模块，用于将初始网络中具有相似特征和属性的节点分类聚合成新节点形成新网络，实现对初始网络的降维；GCN‑attention模块，其输入连接池化模块的输出，用于对输入的网络采用注意力机制进行特征提取，获得同时具有空间信息和时间信息的节点表征向量；反池化模块，其输入连接GCN‑attention模块的输出，用于对输入的节点表征向量进行反池化，输出动态链路概率预测矩阵。该模型能够实现对动态网络的链路预测。主要应用于对社交网络、通信网络、交通网络、科学合作网络或社交安全网络中动态链路的预测。

A Dynamic Link Prediction Depth Model Based on Multiple Views and Its Application

【技术实现步骤摘要】
一种基于多视图的动态链路预测深度模型及应用
本专利技术属于网络科学领域，具体涉及一种基于多视图的动态链路预测深度模型及应用。
技术介绍
动态网络在实际应用中普遍存在，包括社交网络、交通网络、工业系统和生物学等领域。这些网络的结构随着时间的推移不断变化，造成节点或者连边的添加或删除，其中对未来时刻的连边状态进行预测称为动态链路预测。相比于静态网络，动态网络不仅要考虑每一个时刻网络的空间结构特征，还要考虑先前时刻网络演化过程的时间特征，才能更准确地预测未来时刻的网络结构状态。近年来，通过图形神经网络(GNN)提取节点的空间表征的方法受到人们的关注。一般的GNN方法通过节点特征信息在网络中的传递、转换和聚合的性质来生成每个节点的表征，然后，生成的节点表征可以用作任何可微分预测层的输入，以端到端的方式训练整个模型。ThomasN.Kipf(参照文献1：KipfTN,WellingM.Semi-SupervisedClassificationwithGraphConvolutionalNetworks[J].2016.；即基于图形卷积网络的半监督分类方法)提出了一种基于GNN的可扩展的方法用于节点分类。除了动态网络的空间特征之外，学习动态网络的时间信息也能提高动态链路预测的准确性。由于各个时刻的网络状态在时间上具有一定的相关性，根据先前多个时刻的网络状态对预测未来时刻的链路更科学可靠，XiaoyiLi等(参照文献2：LiX,DuN,LiH,etal.Adeeplearningapproachtolinkpredictionindynamicnetworks[C]//Proceedingsofthe2014SIAMInternationalConferenceonDataMining.SocietyforIndustrialandAppliedMathematics,2014:289-297.)提出了一种基于条件时间受限玻尔兹曼机(ctRBM)的深度模型框架，然而其在计算邻居时刻的代价较高，在链路预测任务中性能有限。RexYing等人(参考文献7：YingR,YouJ,MorrisC.HierarchicalGraphRepresentationLearningwithDifferentiablePooling[J].arXivpreprintarXiv:1806.08804v2,2018.)提出一种可微分的图形池化模型(DIFFPOOL)，将初始网络的部分节点分类聚合为一组簇，该簇作为新一层网络的节点，这样可以生成多层次的网络结构，减少网络的节点数量，然后作为图形卷积模型的输入，扩大卷积核在初始网络上的感受野。
技术实现思路
为了预测动态网络的链路随时间动态变化，本专利技术提供了一种基于多视图的动态链路预测深度模型及应用，该模型能够实现对动态网络的链路预测。本专利技术提供以下技术方案：一种基于多视图的动态链路预测深度模型，主要应用于对社交网络、通信网络、交通网络、科学合作网络或社交安全网络中动态链路的预测，其特征在于，所述动态链路预测深度模型包括：池化模块，用于将初始网络中具有相似特征和属性的节点分类聚合成新节点，形成新网络，实现对初始网络的降维；GCN-attention模块，其输入连接池化模块的输出，用于对输入的网络采用注意力机制进行特征提取，获得同时具有空间信息和时间信息的节点表征向量；反池化模块，其输入连接GCN-attention模块的输出，用于对输入的节点表征向量进行反池化，输出动态链路概率预测矩阵，以实现对动态链路的预测。该基于多视图的动态链路预测深度模型主要是利用图卷积网络(GCN)进行学习训练的，将部分节点分类聚合成一簇隐藏对网络进行池化降维，然后通过注意力机制同时获得同时具有空间信息和时间信息的节点表征向量，最终通过反池化将节点表征向量转化为初始网络大小，输出预测的网络数据。该动态链路预测深度模型不仅考虑初始网络的空间结构，还考虑到了更深层次网络结构对预测结果的影响，因此，可以更好地预测网络演化的结果。一种如上述的基于多视图的动态链路预测深度模型在社交网络中的应用，其特征在于，以节点表示用户，连边表示用户之间联系的社交网络作为输入数据，利用所述的基于多视图的动态链路预测深度模型预测社交网络中用户之间的联系。一种如上述的基于多视图的动态链路预测深度模型在通信网络中的应用，其特征在于，以节点表示交换机，连边表示交换机之间的发送和接收数据的连通性的通信网络作为输入数据，利用所述的动态链路预测深度模型预测交换机通信时出现故障的可能性。一种如上述的基于多视图的动态链路预测深度模型在交通网络中的应用，其特征在于，以节点表示交叉路口，连边表示一定时间内道路上的交通流量的交通网络作为输入数据，利用动态链路预测深度模型预测道路拥堵情况发生的概率。上述动态链路预测深度模型能够实现对社交网络中用户之间的联系，通信网络中交换机通信时出现故障的可能性，以及交通网络中道路拥堵情况发生的概率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。图1是实施例提供的基于多视图的动态链路预测深度模型的框图；图2是在时间上使用局部注意力机制的说明示意图。具体实施方式为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的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。为了实现对动态网络中动态链路的实时预测，实施例提供了一种基于多视图的动态链路预测深度模型。如图1所示，基于多视图的动态链路预测深度模型包括池化模块，GCN-attention模块以及反池化模块。其中，池化模块，GCN-attention模块都是通过训练的方式学习得到。池化模块主要用于将初始网络中具有相似特征和属性的节点分类聚合成新节点，形成新网络，实现对初始网络的降维。新网络中，节点数量较少，节点特征更明显，便于后面特征提取，为特征提取奠定了稳定地数据基础。具体地，在池化模块中，根据t时刻初始网络中的邻接矩阵A0∈RN×N和节点表征H0∈RN×d计算多个视图下的邻接矩阵和节点表征包括：(a)根据每个时刻网络的上一层视图节点表征，计算节点的分配矩阵，计算如下：S0＝H0W(1)其中，W∈Rd×M是权重矩阵，M＜N表示下一层视图的节点个数，A0上表0表示初始网络；(b)对每个节点的分配概率进行标准化，计算如下：其中，softmax(·)表示softmax函数，分配矩阵S0中的每个元素sij表示网络的上一层视图中的节点i在经过池化后被聚合为下一层视图中的节点j的概率，1表示第一层视图网络；(c)根据标准化后的分配矩阵与每个时刻网络上一层视图中的邻接矩阵和节点表征计算下一层视图的邻接矩阵A1∈RM×M和节点表征H1∈RM×d，计算如下：A1＝(S1)TA0S1(3)H1＝(S1)TH0(4)通过池化模块构建的新网络相比于初始网络，节点和连边数量都相对减少，具有相似特征的节点被聚合为同一个节点，使得节点本文档来自技高网...

【技术保护点】
1.一种基于多视图的动态链路预测深度模型，主要应用于对社交网络、通信网络、交通网络、科学合作网络或社交安全网络中动态链路的预测，其特征在于，所述动态链路预测深度模型包括：池化模块，用于将初始网络中具有相似特征和属性的节点分类聚合成新节点，形成新网络，实现对初始网络的降维；GCN‑attention模块，其输入连接池化模块的输出，用于对输入的网络采用注意力机制进行特征提取，获得同时具有空间信息和时间信息的节点表征向量；反池化模块，其输入连接GCN‑attention模块的输出，用于对输入的节点表征向量进行反池化，输出动态链路概率预测矩阵，以实现对动态链路的预测。

【技术特征摘要】
1.一种基于多视图的动态链路预测深度模型，主要应用于对社交网络、通信网络、交通网络、科学合作网络或社交安全网络中动态链路的预测，其特征在于，所述动态链路预测深度模型包括：池化模块，用于将初始网络中具有相似特征和属性的节点分类聚合成新节点，形成新网络，实现对初始网络的降维；GCN-attention模块，其输入连接池化模块的输出，用于对输入的网络采用注意力机制进行特征提取，获得同时具有空间信息和时间信息的节点表征向量；反池化模块，其输入连接GCN-attention模块的输出，用于对输入的节点表征向量进行反池化，输出动态链路概率预测矩阵，以实现对动态链路的预测。2.如权利要求1所述的基于多视图的动态链路预测深度模型，其特征在于，所述的池化模块中，根据t时刻初始网络中的邻接矩阵A0∈RN×N和节点表征H0∈RN×d计算多个视图下的邻接矩阵和节点表征包括：(a)根据每个时刻网络的上一层视图节点表征，计算节点的分配矩阵，计算如下：S0＝H0W(1)其中，W∈Rd×M是权重矩阵，M＜N表示下一层视图的节点个数，A0上表0表示初始网络；(b)对每个节点的分配概率进行标准化，计算如下：其中，softmax(·)表示softmax函数，分配矩阵S0中的每个元素sij表示网络的上一层视图中的节点i在经过池化后被聚合为下一层视图中的节点j的概率，1表示第一层视图网络；(c)根据标准化后的分配矩阵与每个时刻网络上一层视图中的邻接矩阵和节点表征计算下一层视图的邻接矩阵A1∈RM×M和节点表征H1∈RM×d，计算如下：A1＝(S1)TA0S1(3)H1＝(S1)TH0(4)。3.如权利要求2所述的基于多视图的动态链路预测深度模型，其特征在于，采用GCN关注每个节点的邻居节点，提取网络节点的空间特征，计算公式如下：H′＝ReLU(L·H·W)(5)其中，L表示拉普拉斯矩阵L＝I-D-1/2AD-1/2，A表示网络的邻接矩阵，D是A的度值矩阵，I是一个单位矩阵，W是训练的权重；4.如权利要求3所述的基于多视图的动态链路预测深度模型，其特征在于，GCN-attention模块中，采用局部注意力机制关注前T个时刻的网络状态对当前时刻的影响，得到包含时间特征...

【专利技术属性】
技术研发人员：陈晋音，李玉玮，林翔，徐轩珩，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33