一种基于深度学习的时序网络节点重要性评价方法技术

本发明专利技术公开了一种基于深度学习的时序网络节点重要性评价方法，对时序网络的每层时间层网络计算节点的特征向量中心性，据此得出该时间层网络的节点的重要性排序；使用循环神经网络，基于节点在当前时刻和先前的信息来获取节点的向量化表示；利用全连接神经网络来判断每个节点所对应的排序区间；将计算得到的两个节点重要性排序结果进行加权融合获得节点的最终重要性排序。本发明专利技术可应用于识别时序复杂网络中的重要节点，通过融合基于特征向量中心性的时序网络节点重要性度量方法SSAM与循环神经网络为长短时记忆网络，使得这两种方法进行互补，发挥出各自的优势，弥补两种方法各自的不足，从而更加精准的挖掘出时序网络中的重要节点。要节点。要节点。

【技术实现步骤摘要】
一种基于深度学习的时序网络节点重要性评价方法


[0001]本专利技术涉及网络科学领域，具体涉及一种基于深度学习的时序网络节点重要性评价方法。

技术介绍

[0002]时序网络在静态网络基础上，加入了时间属性维度，网络的拓扑结构会随着时间不断进行更新，网络中的节点以及连边随特定时间出现或者消失，如交通网络，社交网络等。时序网络考虑事件发生的先后顺序及节点之间的交互关系，能够更准确地刻画出复杂网络的结构特性和演变特征。因此，对于时序网络节点重要性的研究，更贴近现实生活，对广告的投放、病毒的传播抑制、产品的推广等都有着非常重要的现实意义。而将时序网络应用于工业互联网中对于提高工业生产效率也有着重要的意义，工厂中的工人与工人之间，机器与机器之间，设备与设备之间，机组与机组之间，工作站与工作站之间，工人与机器之间等必然存在复杂的网络系统，研究这些关系网络，找出重要工人之间的联系并且加强他们的配合，有助于提高工业制造业生产的效率。
[0003]目前已有节点重要性评价方案，主要集中在静态网络的节点重要性识别上，如：中国专利申请CN201810482392.8针对静态复杂网络，提出了一种基于影响力最大化的社交网络关键节点识别方法，该方法根据节点度值计算所有节点影响力的初始值；对节点影响力进行排序，迭代更新节点影响力值，直到节点影响力值趋于全局稳定；根据全局稳定的节点影响力值，依据影响力最大原则，进行关键节点识别。CN202010822706.1公开了一种基于重叠社团结构的电网关键节点识别方法，通过将线路网络模型的社团结构映射到原网络后能够获得普遍重叠的社团结构，再根据节点所在的社团数量以及所在社团对网络的影响程度来衡量节点的关键程度，提高了电网关键节点辨别的准确性和可靠性，降低了电网分区之间线路过载跳闸连锁故障发生的可能性。关于时序网络上的重要节点识别主要集中于网络层间耦合关系，CN202110372657.0提出了一种基于层间耦合关系强度衰减的时序网络建模方法，该方法能够适用于不同结构的时序网络，在计算复杂度低于全局方法的同时，能够更有效的识别时序网络中的重要节点。CN201710400025.4提出了一种时序网络节点重要性挖掘方法，在该方法中，首先根据N个节点之间交互的时间关系构建时序网络，然后按照预置的时间窗口大小对时序网络进行切片处理，得到切片网络序列，切片网络序列包括：对应于m个时间窗口的m个切片网络，接下来对每个切片网络中的所有连边分别计算出一个权重值，对每个切片网络中的所有连边对应的权重值按照不同的连边分别进行权重值累加，得到时序网络中节点对之间的连边的权重累计值，将每个节点对之间的连边的权重累计值更新到时序网络中，得到含权网络，最后通过包括有权重累计值的连边计算含权网络中每个节点的重要性指标。
[0004]然而，现实中的大多数网络都是由时间属性的，而将这些网络抽象为静态的网络来研究，往往准确度很低，误差很大，限制并约束了研究成果在真实网络上的效果及可靠性。

技术实现思路

[0005]针对现有技术的不足，本专利技术旨在提供一种基于深度学习的时序网络节点重要性评价方法。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一种基于深度学习的时序网络节点重要性评价方法，包括如下步骤：
[0008]S1、构建时序网络，时序网络按照设定的时间间隔被切分为T个时间窗口，从而被分为有序的时间层网络G1,G2,G3,
…
,G
T
；记N为时序网络中节点的总数量；
[0009]S2、对每层时间层网络计算节点的特征向量中心性，在每个时间层网络上使用特征向量中心性得出该时间层网络的节点的重要性排序；
[0010]S3、使用循环神经网络，基于节点在当前时刻和先前的信息来获取节点的向量化表示；
[0011]S4、基于步骤S3获得的节点向量化表示，利用全连接神经网络来判断每个节点所对应的排序区间；
[0012]S5、将步骤S2计算得到的节点重要性排序和步骤S4计算得到的节点重要性排序进行加权融合获得节点的最终重要性排序。
[0013]进一步地，步骤S1中，时序网络的构建采用的是基于特征向量中心性的时序网络节点重要性度量方法SSAM中的建模方法；采用一个维度为NT
×
NT的分块矩阵来建模时序网络，其具体形式如下所示：
[0014][0015]其中，A
(1)
，A
(2)
，A
(3)
，...，A
(T)
分别代表每个时间层网络内的层内连接关系，C
(1，2)
，C
(2，3)
，...，C
(t，t+1)
，t＝1，2，...，N
‑
1为由邻居拓扑重叠系数组成的N
×
N对角矩阵，用以表示各时间层网络之间的层间连接关系；其中，邻居拓扑重叠系数是一种基于时序的相关性系数，定义为：
[0016][0017]其中，即为邻居拓扑重叠系数，用来表示节点在相邻时间层网络上共同邻居所占的比例，其值越大表明相邻两个时间层网络的关系越稳定；定义a
ij
(t)和a
ij
(t+1)分别表示相邻的时间层网络G
t
和G
t+1
对应的邻接矩阵中的元素，如果时间层网络G
t
的节点i和节点j之间存在一条直接的连边，那么a
ij
(t)＝1，否则为0，邻居拓扑重叠系数定义如下：
[0018][0019]进一步地，步骤S3中，采用的循环神经网络为长短时记忆网络LSTM。
[0020]更进一步地，步骤S4中，LSTM的输出作为新的输入提供给全连接神经网络，全连接神经网络将数据从高维度转换至低维度的同时完成节点重要性的排序区间预测。
[0021]进一步地，步骤S5中，加权模型针对每个时间层网络设置可学习的权重参数，记
和分别为步骤S2和步骤S4得出的节点重要性排名，则加权模型预测节点在时间层网络G
t
中的最终排名表示为：
[0022][0023]其中，W
t
表示加权模型在G
t
上的权重。
[0024]本专利技术的有益效果在于：本专利技术可应用于识别时序复杂网络中的重要节点，通过融合基于特征向量中心性的时序网络节点重要性度量方法SSAM(Super Supra
‑
adjacency Matrix)与循环神经网络为长短时记忆网络(Long short
‑
Term Memory Neural Network,LSTM)，使得这两种方法进行互补，发挥出各自的优势，弥补两种方法各自的不足，从而更加精准的地挖掘出时序网络中的重要节点。
附图说明
[0025]图1为本专利技术实施例方法流程示意图。
具体实施方式
[0026]以下将结合附图对本专利技术作进一步的描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的时序网络节点重要性评价方法，其特征在于，包括如下步骤：S1、构建时序网络，时序网络按照设定的时间间隔被切分为T个时间窗口，从而被分为有序的时间层网络G1,G2,G3,
…
,G
T
；记N为时序网络中节点的总数量；S2、对每层时间层网络计算节点的特征向量中心性，在每个时间层网络上使用特征向量中心性得出该时间层网络的节点的重要性排序；S3、使用循环神经网络，基于节点在当前时刻和先前的信息来获取节点的向量化表示；S4、基于步骤S3获得的节点向量化表示，利用全连接神经网络来判断每个节点所对应的排序区间；S5、将步骤S2计算得到的节点重要性排序和步骤S4计算得到的节点重要性排序进行加权融合获得节点的最终重要性排序。2.根据权利要求1所述的基于深度学习的时序网络节点重要性评价方法，其特征在于，步骤S1中，时序网络的构建采用的是基于特征向量中心性的时序网络节点重要性度量方法SSAM中的建模方法；采用一个维度为NT
×
NT的分块矩阵来建模时序网络，其具体形式如下所示：其中，A
(1)
,A
92)
,A
93)
,
…
,A
(T)
分别代表每个时间层网络内的层内连接关系，C
(1,2)
,C
(2,3)
,
…
,C
(t,t+1)
，t＝1,2,
…
,N
‑

【专利技术属性】
技术研发人员：刘建国，郭强，李仁德，
申请(专利权)人：上海财经大学，
类型：发明
国别省市：