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方案

本发明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，包括：对原始图进行随机扰动，获得观察图；对观察图再次进行扰动，得到增强图；将增强图输入到

【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的链路预测方法对子图进行独立和等效的处理，完全忽略了图的全局结构信息；从而造成最终的预测结果准确度低的问题
。

技术实现思路

[0004]为解决现有链路预测方法中缺乏考虑图的结构模式特征学习的问题，本专利技术提出了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，该方法包括：
[0005]S1
：获取原始图，对原始图进行随机扰动，得到观察图；
[0006]S2
：对观察图进行扰动，得到增强图；
[0007]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；
[0008]S4
：对增强图进行划分，得到训练集和测试集；
[0009]S5
：将训练集中的数据输入到
GraphLP
链路预测模型中进行训练；
[0010]S6
：将测试集中的图像输入到训练后的
GraphLP
链路预测模型中，得到预测结果
。
[0011]优选的，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，并根据删除与添加链路数量相同的其他链路
。
[0012]优选的，对
GraphLP
链路预测模型将进行训练包括：
[0013]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；
[0014]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；
[0015]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；
[0016]S54
：采用
sigmoid
激活函数对链路预测结果进行映射；
[0017]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
。
[0018]可选的，原始图像可以为交通道路图像，即以路口为节点，道路为链路，构建交通道路图；通过对交通道路图像进行链路预测，可以预测车辆用于从一个节点到另一个节点的路径信息，根据预测结果以及各个路径的交通流量，从而对用户的行驶路径进行优化
。
[0019]进一步的，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：
[0020][0021]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
。
[0022]进一步的，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；将每条链路及该链路的邻居链路的所有结构特征进行聚合；将聚合后的特征图进行卷积，将2跳范围内链路的结构特征的聚合，得到局部结构特征图；得到局部特征图的公式为：
[0023][0024]其中，表示的度矩阵，表示
A+I
，表示局部结构特征，
W
(l)
表示初始化的权重参数矩阵
。
[0025]进一步的，
MLP
全连接学习模块的计算公式为：
[0026][0027]其中，
O
为包含所有可能的节点对的链路概率的向量，
concat
表示将和所学的特征向量进行拼接，表示全局结构特征，表示局部结构特征，
H
(l)
表示第
l
层图的结构特征，
L
表示图神经网络的层数，
l
表示图神经网络层数的变量
。
[0028]进一步的，模型损失函数的表达式为：
[0029][0030]其中，
N
表示图中的节点数量，
Y
i
表示第
i
个位置的边的标签，
O
i
表示包含所有可能的节点对的链路概率的向量
。
[0031]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系统，包括：图像获取模块
、
随机扰动模块
、GraphLP
链路预测模块以及结果输出模块；
[0032]所述图像获取模块用于获取原始图像；并将原始图像输入到随机扰动模块；
[0033]所述随机扰动模块用于对原始图像进行两次随机扰动，得到增强图；
[0034]所述
GraphLP
链路预测模块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映射模块；
[00本文档来自技高网...

【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：