一种面向动态图链接预测的高阶时序超图卷积网络运行方法技术

本发明专利技术涉及深度学习图神经网络技术领域，具体涉及一种面向动态图链接预测的高阶时序超图卷积网络运行方法。获取动态图数据样本集，并分为训练集、验证集和测试集；将获取动态图构建为时序超图，将时序超图内部的超边进行超边投影；将训练集输入高阶时序超图卷积网络；接着将验证集输入已训练的高阶时序超图卷积网络，对网络进行调整，获取优化后的高阶时序超图卷积网络；将测试集数据输入优化后的高阶时序超图卷积网络，得到优化后的网络节点特征表示，将网络节点特征进行内积打分，得出预测结果。本发明专利技术仅使用时序超图卷积操作就可以独立地捕捉动态图中的结构特性和时间动态特性，在链接预测中准确率得到大幅度的提升。在链接预测中准确率得到大幅度的提升。在链接预测中准确率得到大幅度的提升。

【技术实现步骤摘要】
一种面向动态图链接预测的高阶时序超图卷积网络运行方法


[0001]本专利技术涉及深度学习图神经网络
，更具体地涉及一种面向动态图链接预测的高阶时序超图卷积网络运行方法。

技术介绍

[0002]随着大数据时代的到来，互联网数据出现爆发式增长，其中以如小视频、图像、文本等形式表示的非结构化数据占据了绝大部分。如何挖掘这些非结构化数据背后蕴含的有用价值，给我们带来了巨大的挑战与机遇。
[0003]通过图模型可以有效地挖掘这些非结构化数据，但当前主流方式主要是针对节点和边随时间保持不变的静态图而开发的。但现实场景下，许多图都表现为动态图的形式。例如电商平台每天都会产生新的商品和新的评价，在金融网络中交易流动是一直在变化的，社交平台上用户会产生新的关注用户以及新的评论点赞。在这些动态图中，网络内部的结构也就不断演化。捕捉这些动态特征对于推荐系统、金融网络欺诈交易判别等具有巨大的潜在作用，因此我们旨在专利技术一种能够独立捕捉动图中动态特性的图卷积网络技术，以更好的应用于社交平台，电商平台等。

技术实现思路

[0004]为解决现有图卷积网络无法独立处理动态图且忽视动态图中的高阶信息而导致信息丢失的问题，本专利技术提出一种面向动态图嵌入的高阶时序超图卷积网络运行方法，该方法能够对动态的图网络信息进行学习。
[0005]为实现上述目的，本专利技术的技术方案如下；
[0006]本专利技术一种面向动态图链接预测的高阶时序超图卷积网络运行方法，包括如下步骤：
[0007]S1.获取动态图数据样本集，并对其进行预处理；
[0008]S2.将所述数据样本集分为训练集、验证集和测试集；
[0009]S3.将获取动态图构建为时序超图，并将这些时序超图内部的超边进行超边投影，接着用高阶时序超图卷积来聚集与传递信息，并定义迭代优化算法和损失函数；
[0010]S4.将训练集输入高阶时序超图卷积网络进行迭代训练；接着将验证集输入已训练的高阶时序超图卷积网络，对网络进行调整，获取优化后的高阶时序超图卷积网络；
[0011]S5.将测试集数据输入高阶时序超图卷积网络，得到优化后的网络节点特征表示，将网络节点特征进行内积打分，得出预测结果。
[0012]进一步地，上述面向动态图链接预测的高阶时序超图卷积网络运行方法，所述步骤S1具体为：
[0013]S11.对动态图数据样本集进行时序图划分，按照时序关系将动态图划分为一系列动态时序快照图；
[0014]S12.通过word2vec技术为每个网络节点分配一个初始特征，维度大小为128。
[0015]进一步地，上述的面向动态图链接预测的高阶时序超图卷积网络运行方法，所述步骤S3具体步骤为：
[0016]S31.时序超图的构造：获取时序快照图的所有节点作为时序超图的节点集合，接着以某个节点作为质心节点，让它连接同一时序的一阶邻居作为时序超图的某一条超边，以此类推构造出时序超图上的超边集合；
[0017]S32.通过超边投影将时序超图内部的超边投影为一个简单图上的节点，提取动态图的高阶相关性；
[0018]S33.对节点特征进行高阶时序线超图卷积，获取节点优化表示特征。
[0019]进一步地，上述面向动态图链接预测的高阶时序超图卷积网络运行方法，所述时序超图矩阵表达如下：
[0020][0021]其中，H表示时序超图矩阵；v
i
表示超节点i；表示在时序m的节点j对应的超边。
[0022]进一步地，上述面向动态图链接预测的高阶时序超图卷积网络运行方法，超边投影的公式如下：
[0023][0024]其中P表示表示X的超边投影特征，H
T
为时序超图关联矩阵H的转置矩阵，D
e
为时序超图的超边度矩阵。
[0025]进一步地，上述面向动态图链接预测的高阶时序超图卷积网络运行方法，步骤S33具体包括以下步骤：
[0026]S331.对节点进行超边内聚合，超边内聚合的公式为：
[0027][0028]其中z
e
通过超边内部聚合的超边表示，x
v
是节点v的初始表示，δ(e)表示超边e的度。
[0029]S332.接着对节点进行超边间聚合，超边间聚合公式为：
[0030][0031]其中z
v
是节点v的超边间嵌入特征，S是包含节点v的超边集合，d(v)表示包含节点v的超边数，两个步骤合并可改写为以下公式：
[0032][0033]其中Z∈R
|E|*M
为超节点的嵌入，H∈R
|V|*|E|
表示关联矩阵，原始的超节点特征X∈R
|V|*|E|
，超节点的度矩阵D
v
∈R
|V|*|E|
，D
e
为时序超图的超边度矩阵。
[0034]S333.将步骤S32所得超边投影特征P替换原始超节点表示X后，可得到超边特征嵌入表示如下，
[0035][0036]其中Z
edge
∈R
|E|*M
超节点的边级嵌入
[0037]S334.在捕获时序线超图的边级相关性后，我们将边级嵌入重新映射为节点级嵌入，将这些节点级嵌入分配给动态图中的每个节点：
[0038]Z
node
＝HZ
edge
[0039]其中Z
node
∈R
|V|*M
是超节点的节点级嵌入
[0040]S335.结合重归一化技巧，得到高阶时序超图卷积规则，对节点进行高阶时序超图卷积，高阶时序超图卷积表示如下公式：
[0041][0042]超节点的最终嵌入，Θ∈R
|E|*d
是学习的权重矩阵，d为嵌入的维数，σ(.)表示ELU激活函数，D
v
∈R
|V|*|E|
为超节点的度矩阵，D
e
为时序超图的超边度矩阵。
[0043]进一步地，上述面向动态图链接预测的高阶时序超图卷积网络运行方法，所述步骤S5具体是：
[0044]S51.将测试集输入到已优化的高阶时序超图卷积网络，对测试集节点特征进行提取，获得已提取的测试集；
[0045]S52.将已提取的测试集中优化后的网络节点特征进行内积打分。
[0046]进一步地，上述面向动态图链接预测的高阶时序超图卷积网络运行方法，节点特征进行内积打分规则如下：
[0047]Score＝Max(σ(＜z
i,
z
j
＞))
[0048]其中Max取特征内积后最大数值的维度索引，Score表示打分结果，当score等于1时表示预测正确，当score等于0是表示预测错误，z
i,
z
j
表示节点i与节点j的特征表示，o(.)表示sigmoid函数，&l本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向动态图链接预测的高阶时序超图卷积网络运行方法，其特征在于，包括如下步骤：S1.获取动态图数据样本集，并对其进行预处理；S2.将所述数据样本集分为训练集、验证集和测试集；S3.将获取动态图构建为时序超图，并将这些时序超图内部的超边进行超边投影，接着用高阶时序超图卷积来聚集与传递信息，并定义迭代优化算法和损失函数；S4.将训练集输入高阶时序超图卷积网络；接着将验证集输入已训练的高阶时序超图卷积网络，对网络进行调整，获取优化后的高阶时序超图卷积网络；S5.将测试集数据输入优化后的高阶时序超图卷积网络，得到优化后的网络节点特征表示，将网络节点特征进行内积打分，得出预测结果。2.根据权利要求1所述的面向动态图链接预测的高阶时序超图卷积网络运行方法，其特征在于：所述步骤S1具体为：S11.对动态图数据样本集进行时序图划分，按照时序关系将动态图划分为一系列动态时序快照图；S12.通过word2vec技术为每个网络节点分配一个初始特征，维度大小为128。3.根据权利要求1所述的面向动态图链接预测的高阶时序超图卷积网络运行方法，其特征在于：所述步骤S3具体步骤为：S31.时序超图的构造：获取时序快照图的所有节点作为时序超图的节点集合，接着以某个节点作为质心节点，让它连接同一时序的一阶邻居作为时序超图的某一条超边，以此类推构造出时序超图上的超边集合；S32.通过超边投影将时序超图内部的超边投影为一个简单图上的节点，提取动态图的高阶相关性；S33.对节点特征进行高阶时序线超图卷积，获取节点优化表示特征。4.根据权利要求3所述的面向动态图链接预测的高阶时序超图卷积网络运行方法，其特征在于：所述时序超图矩阵表达如下：其中，H表示时序超图矩阵；v
i
表示超节点i；表示在时序m的节点j对应的超边。5.根据权利要求3所述的面向动态图链接预测的高阶时序超图卷积网络运行方法，其特征在于：超边投影的公式如下：其中P表示表示X的超边投影特征，H
T
为时序超图关联矩阵H的转置矩阵，D
e
为时序超图的超边度矩阵。6.根据权利要求3所述的面向动态图链接预测的高阶时序超图卷积网络运行方法，其特征在于：步骤S33具体包括以下步骤：S331.对节点进行超边内聚合，超边内聚合的公式为：
其中z
e
通过超边内部聚合的超边表示，x
v
是节点v的初始表示，δ(e)表示超边e的度。S332.接着对节点进行超边间聚合，超边间聚合公式为：其中z
v
是节点v的超边间嵌入特征，S是包含节点v的超边集合，d(v)表示包含节点v的超边数，两个步骤合并可改写为以下公式：其中Z∈R
|E|*M
为超节点的嵌入，H∈R
...

【专利技术属性】
技术研发人员：雷方元，黄达，戴青云，蒋健健，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：