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

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