一种模体感知的时态网络预测方法技术

本发明专利技术公开了一种模体感知的时态网络预测方法，包括：首先，将时态网络中的交互作为样本，得到训练数据集；其次，根据预先定义的时态网络模体构建额外的边特征，显式利用包含时间信息的复杂拓扑结构；然后，根据交互发生的时间顺序，利用循环神经网络依次更新交互涉及节点的表示；接着，利用参数不同的多头注意力机制分别聚合反映历史拓扑结构和当前拓扑结构的邻居节点，获得基于邻居的节点表示，预测时态网络中可能发生的交互。态网络中可能发生的交互。态网络中可能发生的交互。

【技术实现步骤摘要】
一种模体感知的时态网络预测方法


[0001]本专利技术涉及时态网络预测领域，具体涉及一种模体感知的时态网络预测方法。

技术介绍

[0002]现实生活中的许多领域，如社交网络、知识分享社区和电子商务等都可形成随时间变化的时态网络。时态网络中，发生交互的对象视为节点，带时间戳的交互行为视为节点之间的边。随着时间的推移，时态网络的节点之间会产生新的边，同时会有新的节点出现在时态网络中。图1以社交平台为例展示了时态网络的一个实例，用户视为时态网络中的节点，用户之间发送消息的行为视为时态网络中的边，发送消息的时间视为边上时间戳。时态网络预测指基于历史数据预测时态网络中接下来可能发生的交互。由于时态网络随时间动态变化，与静态网络相比更为复杂，对其进行预测的挑战在于如何协同利用拓扑结构和时间信息建模网络的动态演化。
[0003]基于离散时间的时态网络预测方法将时态网络以预先设定的时间窗口进行切割，在切割形成的网络快照序列上进行嵌入得到节点表示用于预测。该类方法可进一步细分为基于时间平滑约束和基于深度序列模型的预测方法。基于时间平滑约束的方法对序列中相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模体感知的时态网络预测方法，其特征在于，包括以下步骤：步骤1，获取并定义时态网络为其中，e＝(v
i
,v
j
,t)表示节点v
i
和节点v
j
在时刻t发生的交互；步骤2，依据预先定义的时态网络模体集合统计时态网络中各交互参与形成的时态网络模体实例数，构建交互对应的额外的边特征r(e)；步骤3，将时态网络中的每个交互e作为样本(v
i
,v
j
,t)，利用循环神经网络更新样本的节点表示；步骤4，针对每个样本(v
i
,v
j
,t)，分别获取反映节点v
i
历史拓扑结构的邻居节点N(v
i
)
his
和当前拓扑结构的邻居节点N(v
i
)
cur
，构建包含节点v
i
多跳邻居的计算子图Mapv
i
和包含节点v
j
多跳邻居的计算子图Mapv
j
；步骤5，在计算子图Mapv
i
上，结合交互对应的额外的边特征r(e)，利用参数不同的多头注意力机制的图神经网络分别聚合邻居节点N(v
i
)
his
和N(v
i
)
cur
，获得节点v
i
基于邻居的表示z
i
(t)；在计算子图Mapv
j
上，结合交互对应的额外的边特征r(e)，利用参数不同的多头注意力机制分别聚合邻居节点N(v
j
)
his
和N(v
j
)
cur
，获得节点v
j
基于邻居的表示z
j
(t)；步骤6，将节点v
i
基于邻居的表示z
i
(t)和节点v
j
基于邻居的表示z
j
(t)串接后送入全连接神经网络，计算节点v
i
和节点v
j
在时刻t发生交互的概率，利用交叉熵函数计算损失依据交叉熵函数计算损失更新循环神经网络、图神经网络以及全连接神经网络参数；参数调优后的循环神经网络、图神经网络以及全连接神经网络参数组成时态网络预测模型；步骤7，利用参数调优后的时态网络预测模型预测时态网络坑发生交互。2.如权利要求1所述的模体感知的时态网络预测方法，其特征在于，步骤2包括：令集合为交互e参与构成时态网络模体M的所有实例，N
instance
为集合大小，S
i
为集合中的第i个时态网络模体实例。交互e基于时态网络模体的边特征通过如下方式构建：其中表示交互e基于时态网络模体M的第p维特征，Ι(
·
)为指示函数，当时态网络模体实例S
i
的第p个交互为交互e时函数值为1，反之则为0；针对集合中的所有时态网络模体分别利用上述方式构建特征，将获得的向量进行串接即可得到交互e最终的边特征r(e)，具体方式如下：其中，为交互e基于时态网络模体M1的特征。3.如权利要求1所述的模体感知的时态网络预测方法，其特征在于，步骤3中，采用的循环神经网络为门控循环单元GRU。4.如权利要求3所述的模体感知的时态网络预测方法，其特征在于，步骤3中，采用门控循环单元GRU更新样本的节点表示，包括：
z(t)＝σ
g
(W
z
m
′
i
(t)+U
z
s
′
i
(t
‑
)+b
z
)r(t)＝σ
g
(W
r
m
′
i
(t)+U
r
s
′
i
(t
‑
)+b
r
))其中，m
′
i
(t)表示当前交互的相关信息，s
′
i
(t
‑
)、s
′
j
(t
‑
)分别表示节点v
′
i
、v
′
j
在交互e
′
发生前的向量表示，表示节点v
′
i
上一次交互时刻与当前时刻t的时间差，Concat表示向量串接操作，m
′
i
(t)为GRU当前时刻的外部输入，s
′
i
(t
‑
)为GRU前一时刻隐状态，z(t)、r(t)和c(t)分别表示GRU的更新门、重置门和记忆单元，s
′
i
(t)表示节点v
′
i
更新的节点表示；同理，节点v
′
j
的节点表示更新过程与节点v
′
i
相同。5.如权利要求1所述的模体感知的时态网络预测方法，其特征在于，步骤4中，构建目标节点v
i
在当前时刻t的计算子图时，根据高阶邻居与低阶邻居时间依赖关系以不同方式逐跳向外扩展，可得到包含多跳邻居的计算子图，。从低阶邻居(v
low
,t
low
)向外扩展时，可将(v
low
,t
low
)的邻居节点分为两类，分别表示为：N(v
low
)
his
＝{(v
high
,t
high
)|(v

【专利技术属性】
技术研发人员：陈岭，王达，
申请(专利权)人：浙江大学，
类型：发明
国别省市：