System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于链路预测,具体涉及一种基于时间感知图学习的链路预测方法及系统。
技术介绍
1、图网络是一种建模复杂系统非常有效的方式,其将元素以及它们之间的关联分别当作节点和边,广泛应用于当前有关社交网络、推荐系统等的研究中。另外,在现实场景中图数据往往随着时间不断演变。如图1中的例子所示,节点的数量和它们之间的关联随着时间不断增加。动态网络上的链路预测任务旨在从当前动态图数据中学习动态演变规律,然后预测未来可能出现的链路。相较于静态图,动态网络上的链路预测由于不断出现的新节点和边,以及不断演变的节点间的时序关联,明显更具挑战性。
2、当前方法主要通过传播时间动态以及节点/边的特征来学习节点的表示,从而进行预测。同时,也会考虑动态拓扑结构上节点之间的显式距离,通过将节点对的共同邻居看作它们的中继节点来进行测量。另外,基于嵌入的方法采用动态拓扑结构将节点映射到嵌入空间中,节点的嵌入向量在其中可以得到学习,然后不受显式结构的限制用来测量节点之间的通用距离。
3、尽管上述提到的方法已经实现了令人满意的效果,但仍然存在一些问题。首先,动态特征感知的方法中所需的特征信息在现实场景下往往是不可获取的,这限制了该类方法的应用范围。其次,采用距离编码的方法难以考虑弱连接节点之间的潜在距离,并且复杂的编码过程会导致训练和推理时都不够高效。另外,现有的基于嵌入的方法中采用的图神经网络难以完全将动态网络中的时间动态考虑进来,容易从过时的时序网络数据中引入偏差。
技术实现思路
1、本
2、本专利技术的内容包括:
3、一方面,本专利技术提供了一种基于时间感知图学习的链路预测方法,所述方法包括:
4、s1、从训练数据中挑选出预测用训练样本;
5、s2、从所述预测用训练样本中采样出锚节点的近期邻居节点;
6、s3、基于图神经网络方法,将所述近期邻居节点的信息传播到所述锚节点上,得到所述锚节点的动态表示;
7、s4、将所述预测用训练样本中的源节点和目标节点分别作为锚节点,执行s2和s3,得到所述源节点的动态表示和所述目标节点的动态表示;
8、s5、根据所述源节点的动态表示和所述目标节点的动态表示,获取所述源节点和所述目标节点之间形成链路的概率。
9、可选的,所述s1具体包括:
10、s11、获取训练集中每条训练样本的选择概率;
11、s12、根据所述每条训练样本的选择概率,采用不重复采样策略挑选出预测用训练样本。
12、可选的,所述s2具体为:
13、采用近期邻居采样策略从所述预测用训练样本中采样出锚节点的近期邻居节点。
14、可选的,所述s3具体包括:
15、s31、对所述近期邻居节点的嵌入向量进行信息聚合,得到所述近期邻居节点传播到所述锚节点的传播信息;
16、s32、将所述锚节点的嵌入向量和所述传播信息进行表示结合,得到所述锚节点的动态表示。
17、可选的,所述s5具体包括:
18、s51、将所述源节点的动态表示和所述目标节点的动态表示进行拼接,得到拼接表示;
19、s52、将所述拼接表示输入多层感知机中,得到所述源节点和所述目标节点之间形成链路的概率。
20、可选的,在所述s3之后,所述方法还包括:
21、s6、利用随机采样方式从所述预测用训练样本中采样出锚节点的随机邻居节点;
22、s7、基于图神经网络方法,将所述随机邻居节点的信息传播到所述锚节点上,得到所述锚节点的稳定表示;
23、s8、根据所述锚节点的动态表示和稳定表示,采用对比学习方法优化所述锚节点的动态表示。
24、另一方面,本专利技术提供了一种基于时间感知图学习的链路预测系统,所述系统包括:
25、样本挑选模块,用于从训练数据中挑选出预测用训练样本;
26、近期采样模块,用于从所述预测用训练样本中采样出锚节点的近期邻居节点;
27、表示生成模块,用于基于图神经网络方法,将所述近期邻居节点的信息传播到所述锚节点上,得到所述锚节点的动态表示;当所述预测用训练样本中的源节点和目标节点分别作为锚节点时,所述表示生成模块用于得到所述源节点的动态表示和所述目标节点的动态表示;
28、链路预测模块,用于根据所述源节点的动态表示和所述目标节点的动态表示,获取所述源节点和所述目标节点之间形成链路的概率。
29、可选的,所述样本挑选模块具体包括:
30、概率计算单元,用于获取训练集中每条训练样本的选择概率;
31、样本采样单元,用于根据所述每条训练样本的选择概率,采用不重复采样策略挑选出预测用训练样本。
32、可选的,所述近期采样模块具体用于:
33、采用近期邻居采样策略从所述预测用训练样本中采样出锚节点的近期邻居节点。
34、可选的,所述系统还包括:
35、随机采样模块,用于利用随机采样方式从所述预测用训练样本中采样出锚节点的随机邻居节点;
36、所述表示生成模块还用于基于图神经网络方法,将所述随机邻居节点的信息传播到所述锚节点上,得到所述锚节点的稳定表示;
37、所述系统还包括:
38、对比优化模块,用于根据所述锚节点的动态表示和稳定表示,采用对比学习方法优化所述锚节点的动态表示。
39、本专利技术的有益效果:
40、本专利技术通过改进基于嵌入的方法,提出了一种基于时间感知图学习的链路预测方法(tag)。具体来说,本专利技术首先利用因果理论对时序图表示学习进行了理论分析,证明了时序网络上的图学习需要节点之间的相关性不变的条件。然后,为了通过建模节点之间的近期动态关联来在时序网络上近似逼近这个条件,本专利技术设计了一种样本挑选模块,在模型参数学习中去除过时的训练数据,其中还采用了近期邻居采样策略来选择邻居进行gnns(graph neural networks,图神经网络)中的信息聚合。其次,为保存长期稳定的节点相关性,本专利技术引入了额外的自监督信号,通过对比从长期和近期邻居传播信息产生的节点表示来增强表征学习。最后本专利技术在mathoverflow、superuser、askubuntu和stackoverflow四个公开的时序网络数据集上进行了大量的实验,实验结果验证了tag在时序网络链路预测任务中ap和auc指标上的有效性。
本文档来自技高网...【技术保护点】
1.一种基于时间感知图学习的链路预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述S1具体包括:
3.根据权利要求1所述的方法,其特征在于,所述S2具体为:
4.根据权利要求1所述的方法,其特征在于,所述S3具体包括:
5.根据权利要求1所述的方法,其特征在于,所述S5具体包括:
6.根据权利要求1所述的方法,其特征在于,在所述S3之后,所述方法还包括:
7.一种基于时间感知图学习的链路预测系统,其特征在于,所述系统包括:
8.根据权利要求7所述的系统,其特征在于,所述样本挑选模块具体包括:
9.根据权利要求7所述的方法,其特征在于,所述近期采样模块具体用于:
10.根据权利要求7所述的系统,其特征在于,所述系统还包括:
【技术特征摘要】
1.一种基于时间感知图学习的链路预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述s1具体包括:
3.根据权利要求1所述的方法,其特征在于,所述s2具体为:
4.根据权利要求1所述的方法,其特征在于,所述s3具体包括:
5.根据权利要求1所述的方法,其特征在于,所述s5具体包括:
6.根据权...
【专利技术属性】
技术研发人员:陈洪辉,潘志强,蔡飞,舒振,罗爱民,邵太华,郭昱普,张鑫,许龙,刘登峰,
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:
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。