一种基于深度学习算法的有向链路预测模型制造技术

本发明专利技术提供了一种基于深度学习算法的有向链路预测模型，服务于分布式大规模网络的拓扑演化。该模型在分布式网络节点的有向邻居链路存在基数约束条件下，基于链路预测主体节点的链接候选邻居节点的当前指标特征和序列特征向量，采用DNN和LSTM深度学习算法，设计了CFSF链路预测模型，解决了存在链接基数约束条件下进行有向链路建立和消失的预测问题，提高了链路预测精度。

A prediction model of directional link based on deep learning algorithm

【技术实现步骤摘要】
一种基于深度学习算法的有向链路预测模型
本专利技术属于网络演化链路预测领域，具体涉及一种基于深度学习算法的有向链路预测模型。
技术介绍
链路预测(LinkPrediction，LP)是指如何通过已知的网络结构等信息预测网络中两个节点之间是否存在或产生链接的可能性，即链路预测包括：1)预测已存在但尚未被发现的链接，即预测未知链接；2)预测现在未存在但未来可能新产生的链接，即预测未来链接。解决链路预测问题，从采用的技术上来说，可以分为基于马尔可夫链的方法和基于学习的方法。其本质都是计算网络中两个节点存在链接的概率问题。将马尔科夫模型引入链接预测，最初由Zukerman等在1999年提出。其通过抽象浏览用户的浏览过程，建立马尔科夫链，利用转移概率矩阵进行预测。由于该类型方法只考虑建立一步状态转移概率矩阵，预测准确率不高，因此，目前的研究已向基于学习的方法发展。根据基于学习的链接预测方法相关文献所采用的技术，该类方法可分为两类：1)基于机器学习的方法基于机器学习相关技术的链路预测方法可以通过构建学习网络来探索多个指标，而本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的有向链路预测模型(1)，其特征在于是否拥有主体节点的链接候选节点最近N个周期结束时的网络结构和属性特征，即分为拥有全部候选节点最近N个周期结束时的网络结构和属性特征时的链路预测(11)和未拥有全部候选节点最近N个周期结束时的网络结构和属性特征时的链路预测(12)，最终根据链接基数约束条件，基于预测模型中使用的回归算法的输出值和设定的阈值，获得有向链路预测结果(13)。/n

【技术特征摘要】
1.一种基于深度学习算法的有向链路预测模型(1)，其特征在于是否拥有主体节点的链接候选节点最近N个周期结束时的网络结构和属性特征，即分为拥有全部候选节点最近N个周期结束时的网络结构和属性特征时的链路预测(11)和未拥有全部候选节点最近N个周期结束时的网络结构和属性特征时的链路预测(12)，最终根据链接基数约束条件，基于预测模型中使用的回归算法的输出值和设定的阈值，获得有向链路预测结果(13)。


2.根据权利要求1所述的拥有全部候选节点最近N个周期结束时的网络结构和属性特征时的链路预测(11)，其特征在于将利用回归LSTM算法，得出回归值，最终在回归值大于设定阈值的节点中，按回归值从大到小确定下一轮的直接邻居，获得链路预测结果(13)。


3.根据权利要求1...

【专利技术属性】
技术研发人员：武丹凤，朱纪洪，肖尧，陈志刚，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11