【技术实现步骤摘要】
基于网络重构的生成式图神经网络的图结构链路预测方法及系统
[0001]本专利技术属于图数据分析领域,具体涉及一种基于网络重构的生成式图神经网络的图结构链路预测方法及系统
。
技术介绍
[0002]图是建模不同来源
、
不同性质数据的强大工具,它可以通过实体集合以及它们之间的关系非常自然地进行抽象表示
。
真实世界的图通常只能获取部分数据且往往伴随着噪声,因此基于观察图推理缺失链路和虚假链路是链路预测中的一个长期挑战
。
最近,在深度学习技术快速发展的推动下,图神经网络
GNNs(Graph Neural Network)
被逐渐应用于解决链路预测问题,并获得了显著的性能提升,其研究成果在社交网络
、
电子商务
、
智慧城市
、
医疗健康
、
金融等各个领域的智能分析与推荐任务等应用具有重要意义
。
当前领域研究最广泛的图神经网络链路预测方法是基于子图分类的方法,其主要思想是获取目标链路的邻居子图信息,构建目标链路的正样本与负样本子图,并进行图神经网络学习,最后使用子图匹配的方式进行链路预测
。
[0003]虽然基于子图分类方法的链路预测性能取得了显著提升,然而其性能受
k
‑
跳子图的提取过程和其图结构特征的影响较大,其子图的范围强烈依赖于图的结构,且对于不同性质的子图有效范围应是不同的
。
而且当前基于子图分类 ...
【技术保护点】
【技术特征摘要】
1.
一种基于网络重构的生成式图神经网络的图结构链路预测方法,其特征在于,包括:
S1
:获取原始图,对原始图进行随机扰动,得到观察图;
S2
:对观察图进行扰动,得到增强图;
S3
:构建
GraphLP
链路预测模型,
GraphLP
链路预测模型包括:全局结构模式协同学习模块
、
局部结构模式聚合模块
、MLP
全连接学习模块以及
sigmoid
激活函数;
S4
:对增强图进行划分,得到训练集和测试集;
S5
:将训练集中的数据输入到
GraphLP
链路预测模型中进行训练;
S6
:将测试集中的图输入到训练后的
GraphLP
链路预测模型中,得到预测结果
。2.
根据权利要求1所述的一种基于网络重构的生成式图神经网络的图结构链路预测方法,其特征在于,对原始图进行随机扰动包括:设置扰动比例;根据设置的扰动比例在原始图中添加链路数,并根据添加的链路数量,删除与添加链路数量相同的其他链路
。3.
根据权利要求1所述的一种基于网络重构的生成式图神经网络的图结构链路预测方法,其特征在于,对
GraphLP
链路预测模型将进行训练包括:
S51
:将训练集中的增强图输入到全局结构模式协同学习模块,得到全局结构特征图;
S52
:采用局部结构模式聚合模块对全局结构特征图进行局部特征提取,得到局部结构特征图;
S53
:将全局结构特征图和局部结构特征图输入到
MLP
全连接学习模块,得到链路预测结果;
S54
:采用
sigmoid
激活函数对链路预测结果进行映射;
S55
:根据映射结果计算模型的损失函数,不断调整模型参数,当损失函数收敛时,完成模型训练
。4.
根据权利要求3所述的一种基于网络重构的生成式图神经网络的图结构链路预测方法,其特征在于,采用全局结构模式协同学习模块对增强图进行处理的过程包括:构建增强图的邻接矩阵
A
,对邻接矩阵
A
进行低秩稀疏建模,并将目标模型的约束设置为2‑
范数形式;对模型进行偏微分,得到增强图的最优结构特征表示矩阵,将最优结构特征表示矩阵与增强图的邻接矩阵
A
相乘,得到全局结构特征图;计算全局结构特征图的表达式为:其中,
A
为增强图的邻接矩阵,
T
为转置,
I
为单位矩阵,
λ
为折衷参数,为全局结构特征图
。5.
根据权利要求3所述的一种基于网络重构的生成式图神经网络的图结构链路预测方法,其特征在于,采用局部结构模式聚合模块进行局部特征提取包括:对全局结构特征图进行卷积操作;将每条...
【专利技术属性】
技术研发人员:先兴平,张殊,吴涛,赵卓,田侃,李汉加,张悦,李雨雪,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。