一种融合图神经网络及其胶囊网络的链路预测方法技术

本发明专利技术提出了一种融合图神经网络及其胶囊网络的链路预测方法，S1，使用GNN对网络进行表示学习，生成相应的节点特征；S2，通过转换块，将学习到节点特征转换成节点对特征图，作为胶囊网络的输入；S3，借助胶囊网络对节点对特征图进行特征表示学习，捕获节点对的属性以用于图分；S4，对S1～S3进行时间复杂度分析。本发明专利技术专利提出的GCCL方法明显优于所比较的方法，平均提高了约20％的准确率。足以证明GCCL方法在链路预测任务中的合理的、有效性的。

【技术实现步骤摘要】
一种融合图神经网络及其胶囊网络的链路预测方法
本专利技术涉及网络分析
，尤其涉及一种融合图神经网络及其胶囊网络的链路预测方法。
技术介绍
在现实生活中，可以利用复杂网络对各种各样的复杂系统进行建模，例如社交，生物，信息和技术系统，其中网络中的节点代表个人或实体，链接或边则代表节点或实体之间的关系或相互作用。网络中的链路预测是指如何通过已知的网络节点以及网路结构等信息，预测网络中尚未产生连边的两个节点之间产生连接的可能性。这种预测不仅包含对未知链接即网络中实际存在但尚未被探测到的链路的预测，也包含了对未来链接(网络中目前不存在，但应该存在或者未来可能存在的链路)的预测。链路预测作为复杂网路分析中的一个基本问题，在许多领域都有广泛的应用。例如朋友推荐，电影推荐，知识图补全，代谢网络重建等。另外，在某些网络中，比如生物网络，电网和航空运输网络，如何找出在将来可能产生新链接的实体非常重要，同时也非常具有挑战性。为了解决这个问题，来自不同领域的研究人员提出了许多链接预测方法或模型。一种简单而有效的链路预测方法被称为启发式方法。启发式方法计算本文档来自技高网...

【技术保护点】
1.一种融合图神经网络及其胶囊网络的链路预测方法，其特征在于，包括：/nS1，使用GNN对网络进行表示学习，生成相应的节点特征；/nS2，通过转换块，将学习到节点特征转换成节点对特征图，作为胶囊网络的输入；/nS3，借助胶囊网络对节点对特征图进行特征表示学习，捕获节点对的属性以用于图分类；/nS4，对S1～S3进行时间复杂度分析。/n

【技术特征摘要】
1.一种融合图神经网络及其胶囊网络的链路预测方法，其特征在于，包括：
S1，使用GNN对网络进行表示学习，生成相应的节点特征；
S2，通过转换块，将学习到节点特征转换成节点对特征图，作为胶囊网络的输入；
S3，借助胶囊网络对节点对特征图进行特征表示学习，捕获节点对的属性以用于图分类；
S4，对S1～S3进行时间复杂度分析。


2.根据权利要求1所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述S1包括：
利用GNN提取节点的基本特征，若节点没有特征，则用单位矩阵作为节点属性。


3.根据权利要求2所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，其利用GCN提取节点的基本特征的方法为：
其中，Zl+1为l+1层的节点特征，Zl为l层的节点特征；A为邻接矩阵；为具有自环的无向图的邻接矩阵，为增加自环的度矩阵，(·)-1/2表示逆矩阵的算术平方根，Wl为可训练的权重矩阵，σ(·)为激活函数，GCN(·)为图卷积运算。


4.根据权利要求3所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述GCN选用2层GCN结构，并且在最后一层中不使用激活函数进行处理。


5.根据权利要求1所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述S2包括：
提取所需节点对的特征表示进行Conversion运算生成相应的节点对特征图：



其中，分别为节点x、y的节点特征嵌入向量，表示实数域上F′×1矩阵即实数域上的F′维列向量，·T表示转置，F′为第l+1层节点特征数量。


6.根据权利要求1所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述S3包括：
S3-1，将节点对特征图hxy通过卷积层转换为初级胶囊的输入h_c，即对节点对特征图hxy做局部特征提取：
h_c＝Conv(hxy)＝Whxy+b，
其中，Conv(·)为向量卷积运算，W和b分别为卷积权重共享矩阵与偏置参数；
S3-2，利用卷积胶囊层生成初级胶囊u：



其中，Convolutionalcapsulelayer(h_c)表示初级胶囊的输入h_c的卷积胶囊层，num_conv代表每个初级胶囊所包含的卷积单元数量；num_primary_caps为初级胶囊中的胶囊数量；Convnum_conv(·)表示向量卷积运算的num_conv次方；
S3-3，生成类胶囊v：
使用非线性squashing函数对向量长度作归一化处理，将范围缩小至0～1之间：
其中，sj和vj分别为胶囊j的输入与输出向量，||·||表示范数，||·||2表示范数的平方；
对于除第一层以外的所有胶囊，胶囊sj的总输入是来自上一层胶囊中所有预测向量的加权总和；而由上一层胶囊的输出ui乘以权重矩阵Wij产生：



其中，ui为上一层胶囊的输出，为上一层胶囊的预测向量，cij是耦合系数，胶囊i和下一层中所有胶囊的耦合系数之和为1。


7.根据权利要求1所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述S3还包括：
一个样本输出2个类胶囊，用v1、v2表示，通过比较v1与v2的向量长度，也就是模长来判断最终样本属于哪一类，从而判断是否存在链路；
所述v1表示链接类，v2代表非链接类。


8.根据权利要求1所述的融合图神经网络及其胶囊网络的链路预测方法，其特征在于，所述S4包括：
由训练集构建的邻接矩阵A与节点特征矩阵X作为GCCL方法的输入，输出为代表每...

【专利技术属性】
技术研发人员：刘小洋，李祥，马敏，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：重庆;50