多路复用网络的链路预测方法、装置及电子设备制造方法及图纸

本发明专利技术提供了一种多路复用网络的链路预测方法、装置及电子设备，方法包括：将待预测的多路复用网络分为第一层网络拓扑和第二层网络拓扑，其中，第一层网络拓扑为成熟的第一网络的网络拓扑，第二层网络拓扑为具有相同用户节点的第二网络在第一时间点的网络拓扑；将第一层网络拓扑和第二层网络拓扑输入训练后的社交多路复用网络链路预测模型；应用社交多路复用网络链路预测模型根据第一层网络拓扑和第二层网络拓扑进行链路预测，获取第三层网络拓扑的各链路标签，第三层网络拓扑为第二网络在第二时间点的网络拓扑，第二时间点晚于第一时间点。通过以上方式，本发明专利技术能够在多个网络中传递各种类型的节点信息，提高多路复用网络链路的预测性能。链路的预测性能。链路的预测性能。

【技术实现步骤摘要】
多路复用网络的链路预测方法、装置及电子设备


[0001]本专利技术属于多路复用网络
，具体是涉及到一种多路复用网络的链路预测方法、装置及电子设备。

技术介绍

[0002]复杂网络是表示系统之间复杂关系的强大工具，如社交网络、交通网络、人类大脑、作战网络等。网络分析是分析自然系统和人造系统的一个新的科学分支。链路预测问题是网络分析和挖掘中研究较多的课题之一。随着信息技术的发展，社会产生了成百上千的数据，尤其是社交网络内部的信息，如何有效预测一个社交网络即将出现或缺失的环节是一个大问题。因此，链路预测算法在社交媒体、电子商务平台等领域的推荐中有着广泛的应用。
[0003]复杂系统通常被表示为单层网络，其中只包含相同类型的节点和链路。然而，许多实际系统中的连接可能是在多层中开发的。例如，如果用户跨多个社交媒体平台进行交互，那么它们之间的链路应该在不同的层中建模。多层网络，通常被称为多路复用、异构网络，是模拟具有多个单元间交互级别的复杂系统的方法。因此，在预测一个层中的链路时忽略多个层的影响可能会导致严重的信息丢失。通常，使用单层网络的自我信息来预测即将到来或丢失的链路，但是在很多情况下，都存在冷启动问题，尤其是在社交网络刚形成的时候。而经过几年的积累的成熟的社交网络有足够的用户信息，有助于网络分析任务在新建网络上的执行。
[0004]现有技术中预测网络结构中链路的方法主要分为两大类：基于相似性的方法和基于学习的方法。基于相似度的方法，又称启发式方法，是通过对非连接节点的相似度评分进行排序，根据指定的相似度计算方法计算出的相似度评分，对链路进行预测。而基于学习的方法是一种二分类方法，包括从网络中提取特征并将特征放入二元分类器中。然而，上述两种链路预测方法都是应用于单层网络链路预测，只能根据网络自信息预测链路，这可能导致在面临冷启动问题时，没有足够的信息支持预测。传统的基于学习的方法除了只能预测单分子层内的链路外，不能学习到许多基本特征。图神经网络(GNN)不仅是一种典型的基于学习的方法，而且是一种流行的从图中提取信息的技术。但GNN只能考虑n阶节点特征，而不能考虑全局结构特征，因此预测能力有限。
[0005]现有的大多数方法在单层网络中都能取得较好的效果，单层网络具有足够的自信息，但在冷启动环境下鲁棒性较差。未来，依托现有的社交媒体平台，可以构建更多的社交媒体平台。例如，视频号是一个短视频平台，类似于抖音，依赖微信。由于视频号建设时间不长，缺乏推荐可依赖的充足的信息，使得视频号在市场竞争中处于劣势，需要结合微信的用户关系进行推荐。因此，现有的技术方法很可能会遇到瓶颈。

技术实现思路

[0006]本专利技术提供一种多路复用网络的链路预测方法、装置及电子设备，解决现有的链
路预测对新构建的平台缺乏令人满意的鲁棒性、预测性能不高的问题。
[0007]基于上述目的，本专利技术提出一种多路复用网络的链路预测方法，包括：将待预测的多路复用网络分为第一层网络拓扑和第二层网络拓扑，其中，所述第一层网络拓扑为成熟的第一网络的网络拓扑，所述第二层网络拓扑为具有相同用户节点的第二网络在第一时间点的网络拓扑；将所述第一层网络拓扑和所述第二层网络拓扑输入训练后的社交多路复用网络链路预测模型；应用所述社交多路复用网络链路预测模型根据所述第一层网络拓扑和所述第二层网络拓扑进行链路预测，获取第三层网络拓扑的各链路标签，所述第三层网络拓扑为所述第二网络在第二时间点的网络拓扑，所述第二时间点晚于所述第一时间点。
[0008]可选的，所述将所述第一层网络拓扑和所述第二层网络拓扑输入训练后的社交多路复用网络链路预测模型之前，包括：对社交多路复用网络链路预测模型进行训练，包括：对历史第三层网络拓扑进行正样本和负样本的采样节点，构建基于验证层的训练样本数据集；根据所述训练样本数据集获取历史第一层网络拓扑和历史第二层网络拓扑；应用所述社交多路复用网络链路预测模型对输入的所述历史第一层网络拓扑和所述历史第二层网络拓扑进行链路预测，获取预测的第三层网络拓扑的各链路标签；计算预测的第三层网络拓扑的各链路标签与所述历史第三层网络拓扑中对应的链路标签的二元交叉熵损失；根据二元交叉熵损失调整所述社交多路复用网络链路预测模型，直至所述社交多路复用网络链路预测模型收敛。
[0009]可选的，所述对历史第三层网络拓扑进行正样本和负样本的采样节点，构建基于验证层的训练样本数据集，包括：在历史第三层网络拓扑中随机选择一个样本节点的一半不相连的邻居节点，作为负样本；在历史第三层网络拓扑中随机选择链路标签为1的样本节点，作为正样本；组合所述正样本和所述负样本，构建基于验证层的训练样本数据集。
[0010]可选的，所述应用所述社交多路复用网络链路预测模型根据所述第一层网络拓扑和所述第二层网络拓扑进行链路预测，获取第三层网络拓扑的各链路标签，包括：分别提取所述第一层网络拓扑中和所述第二层网络拓扑中各用户节点的结构特征；根据所述第一层网络拓扑中的各用户节点的结构特征获取所述第一层网络拓扑中各链路的第一链接嵌入；根据所述第二层网络拓扑中的各用户节点的结构特征获取所述第二层网络拓扑中各链路的第二链接嵌入；应用注意力机制对所述第一层网络拓扑中的所述第一链接嵌入和所述第二层网络拓扑中的所述第二链接嵌入进行融合，获取所述第一层网络拓扑和所述第二层网络拓扑的融合链路信息；应用全连接层对所述融合链路信息进行处理，输出第三层网络拓扑的各链路标签。
[0011]可选的，所述提取所述第一层网络拓扑中各用户节点的结构特征，包括：应用图同构测试方法提取所述第一层网络拓扑中各用户节点的图结构特征；应用Node2vec策略进行基于深度优先搜索和基于广度优先搜索的有偏随机游走，计算任一用户节点至其他节点归一化转移概率，作为所述任一用户节点的潜在特征。
[0012]可选的，所述应用图同构测试方法提取所述第一层网络拓扑中各用户节点的图结构特征，包括：将所述第一层网络拓扑定义为三元组(V,E,l),其中,V是顶点的集合，E是无向边的集合，l是分配给所述第一层网络拓扑中各用户节点的标签集合；采用weisfeler
‑
lehman算法迭代更新所述第一层网络拓扑中各用户节点的所述标签，直到收敛；迭代完成后所述第一层网络拓扑中分配给各用户节点的标签为各用户节点的图结构特征。
[0013]可选的，所述结构特征包括：图结构特征、潜在特征以及显式特征，所述根据所述第一层网络拓扑中的各用户节点的结构特征获取所述第一层网络拓扑中各链路的第一链接嵌入，包括：根据所述第一层网络拓扑中的各用户节点的结构特征对所述第一层网络拓扑中的任一用户节点i和任一用户节点j之间的链路进行编码(nodr
i
,node
j
)；对任一用户节点i的结构特征和任一用户节点j的结构特征应用以下关系式进行向量连接运算，获取用户节点i和用户节点j之间的链路的第一链接嵌入：
[0014][0015]其中，Z
initialfirst
为第一链接嵌入，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多路复用网络的链路预测方法，其特征是，所述链路预测方法包括：将待预测的多路复用网络分为第一层网络拓扑和第二层网络拓扑，其中，所述第一层网络拓扑为成熟的第一网络的网络拓扑，所述第二层网络拓扑为具有相同用户节点的第二网络在第一时间点的网络拓扑；将所述第一层网络拓扑和所述第二层网络拓扑输入训练后的社交多路复用网络链路预测模型；应用所述社交多路复用网络链路预测模型根据所述第一层网络拓扑和所述第二层网络拓扑进行链路预测，获取第三层网络拓扑的各链路标签，所述第三层网络拓扑为所述第二网络在第二时间点的网络拓扑，所述第二时间点晚于所述第一时间点。2.如权利要求1所述的链路预测方法，其特征是，所述将所述第一层网络拓扑和所述第二层网络拓扑输入训练后的社交多路复用网络链路预测模型之前，包括：对社交多路复用网络链路预测模型进行训练，包括：对历史第三层网络拓扑进行正样本和负样本的采样节点，构建基于验证层的训练样本数据集；根据所述训练样本数据集获取历史第一层网络拓扑和历史第二层网络拓扑；应用所述社交多路复用网络链路预测模型对输入的所述历史第一层网络拓扑和所述历史第二层网络拓扑进行链路预测，获取预测的第三层网络拓扑的各链路标签；计算预测的第三层网络拓扑的各链路标签与所述历史第三层网络拓扑中对应的链路标签的二元交叉熵损失；根据二元交叉熵损失调整所述社交多路复用网络链路预测模型，直至所述社交多路复用网络链路预测模型收敛。3.如权利要求2所述的链路预测方法，其特征是，所述对历史第三层网络拓扑进行正样本和负样本的采样节点，构建基于验证层的训练样本数据集，包括：在历史第三层网络拓扑中随机选择一个样本节点的一半不相连的邻居节点，作为负样本；在历史第三层网络拓扑中随机选择链路标签为1的样本节点，作为正样本；组合所述正样本和所述负样本，构建基于验证层的训练样本数据集。4.如权利要求1所述的链路预测方法，其特征是，所述应用所述社交多路复用网络链路预测模型根据所述第一层网络拓扑和所述第二层网络拓扑进行链路预测，获取第三层网络拓扑的各链路标签，包括：分别提取所述第一层网络拓扑中和所述第二层网络拓扑中各用户节点的结构特征；根据所述第一层网络拓扑中的各用户节点的结构特征获取所述第一层网络拓扑中各链路的第一链接嵌入；根据所述第二层网络拓扑中的各用户节点的结构特征获取所述第二层网络拓扑中各链路的第二链接嵌入；应用注意力机制对所述第一层网络拓扑中的所述第一链接嵌入和所述第二层网络拓扑中的所述第二链接嵌入进行融合，获取所述第一层网络拓扑和所述第二层网络拓扑的融合链路信息；应用全连接层对所述融合链路信息进行处理，输出第三层网络拓扑的各链路标签。
5.如权利要求4所述的链路预测方法，其特征是，所述提取所述第一层网络拓扑中各用户节点的结构特征，包括：应用图同构测试方法提取所述第一层网络拓扑中各用户节点的图结构特征；应用Node2vec策略进行基于深度优先搜索和基于广度优先搜...

【专利技术属性】
技术研发人员：姜江，曹嘉平，李际超，雷天扬，杨文川，葛冰峰，孙建彬，豆亚杰，杨志伟，李明浩，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：