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CN20181048239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：