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】
本专利技术涉及网络分析,更具体地说,它涉及一种基于加权单纯复形神经网络的链路预测方法与系统。
技术介绍
1、链路预测方法被广泛地应用于在社交网络、交通网络、通信网络等各种网络结构中,用来预测两个节点之间可能建立新连接的可能性。传统的链路预测方法包括启发式方法、潜在特征方法和基于内容的方法。启发式方法和潜在特征方法都利用网络拓扑结构来预测未来/缺失的链接,然而启发式方法和潜在特征方法都面临冷启动问题,即把一个新节点加入网络时,这两种方法可能无法预测新节点的链接。而基于内容的方法能解决上述问题,但是基于内容的方法利用的是明确的节点属性/特征,而不是图结构,因此基于内容的方法通常比启发式方法和潜在特征方法表现更差。
2、图神经网络(gnn)通过统一学习图的拓扑结构和节点\边特征,显示出比传统方法更加优越的链路预测表现。然而,基于图神经网络的方法只考虑网络节点之间的二元交互,无法直接有效捕捉复杂系统中的多元高阶交互关系。而在现实生活中,这种多元高阶交互关系很常见,例如引文网络中的合著者预测,生物网络中的蛋白质相互作用预测,药物反应预测等。为了充分利用网络的高阶信息,提高链路预测的科学性和准确性,需要引入一种新的方法来处理复杂系统中的多元高阶交互。
3、单纯复形正是描述复杂网络系统多元高阶交互的强大工具,单纯复形可以看成是复杂网络中捕获成对交互作用的扩展,单纯复形不仅由节点、边构成,还由高阶几何(全连通子图)构成,如三角形、四面体等,可以用来有效地表示复杂网络中的高阶紧密群组关系。单纯复形将多个拓扑节点构建为单形,
4、目前的单纯复形神经网络模型存在以下三个问题:第一,大部分单纯复形神经网络专注于同一阶单形的信息,无法利用不同单形之间的耦合信息,造成高阶交互信息丢失。第二,从信号霍奇分解的角度而言,任何单纯信号都可以被分解成三个信号分量,即梯度分量、旋度分量和谐波分量,大部分单纯复形神经网络架构只能处理梯度分量和旋度分量,而无法处理谐波分量,导致原始信息丢失。第三,有些单纯复形神经网络模型无法捕获单形的多跳邻居信号,从而导致多跳邻居间的高阶交互信息丢失。
技术实现思路
1、本专利技术要解决的技术问题是针对现有技术的不足,提供一种基于加权单纯复形神经网络的链路预测方法与系统,充分利用不同单形之间的耦合信息,能处理信号的谐波分量,并通过加权多跳卷积的形式捕获多跳邻居的高阶交互信息,并保留信号的原始成分,在链路预测任务上取得了较好的结果。
2、本专利技术所述的一种基于加权单纯复形神经网络的链路预测方法,对原始数据进行预处理,从而构建k阶单纯复形,并获取单纯信号xk,及其关联矩阵bk,其中,k=0,...,k;
3、根据所述关联矩阵bk计算单纯信号xk的下投影信号xk,d,根据关联矩阵bk+1计算上投影信号xk,u;并对所述单纯信号xk、下投影信号xk,d和上投影信号xk,u进行基于加权单纯复形神经网络的加权单纯滤波运算,以获取信号嵌入zk;接着按照同样的运算方法分别得到信号嵌入zk-1和信号嵌入zk+1;
4、通过嵌入函数f对所获取的所述信号嵌入zk进行融合,再将结果输入到链路预测任务中。
5、作进一步的改进,获取所述信号嵌入zk的公式为:
6、zk=σ(hk,dxk,d+hkxk+hk,uxk,u);
7、式中,σ为非线性激活函数;hk,d、hk、hk,u分别表示k阶下加权单纯卷积滤波器dwscf、k阶加权单纯卷积滤波器wscf和k阶上加权单纯卷积滤波器uwscf。
8、进一步的,所述上加权单纯卷积滤波器uwscf由加权旋度滤波器wcf、谐波滤波器hf和跳跃连接skip connection组成;
9、在k阶的所述单纯复形中定义一个l层的加权单纯复形神经网络wscnn架构;
10、当第l-1层的上投影信号经过加权旋度滤波器wcf时,所述上投影信号的滤波过程如下:
11、
12、式中,tu表示加权旋度滤波器的跳数;表示可学习参数;表示上加权单纯卷积滤波器uwscf中的加权霍奇-上拉普拉斯矩阵;表示经过加权单纯滤波器模块过滤后得到的旋度信号;
13、当所述上投影信号经过谐波滤波器hf时,所述上投影信号的滤波过程如下:
14、
15、式中,i表示单位矩阵;εu表示谐波参数;th,u表示谐波指数;表示下加权单纯卷积滤波器dwscf中的加权霍奇-下拉普拉斯矩阵;表示可学习参数;表示经过hf过滤后得到的谐波信号;
16、当所述上投影信号经过跳跃连接skip connection时,所述上投影信号的滤波过程如下:
17、
18、式中,表示可学习参数;表示经过skip connection滤波后得到的信号;
19、当所述上投影信号经过的上加权单纯卷积滤波器uwscf中的三个子滤波器滤波后,可以得到第l层的上投影信号其表达式如下:
20、
21、进一步的,所述下加权单纯卷积滤波器dwscf由加权梯度滤波器wgf、谐波滤波器hf和跳跃连接skip connection组成;
22、在k阶的所述单纯复形中定义一个l层的加权单纯复形神经网络wscnn架构;
23、当第l-1层的下投影信号经过加权梯度滤波器wgf时,所述下投影信号的滤波过程的表达式如下:
24、
25、式中,td表示加权梯度滤波器的跳数;表示可学习参数;表示下加权单纯卷积滤波器dwscf中的加权霍奇-下拉普拉斯矩阵;表示经过wgf过滤后得到的梯度信号;
26、当所述下投影信号经过谐波滤波器hf时,所述下投影信号的滤波过程的表达式如下:
27、
28、式中,i表示单位矩阵;表示可学习的参数;εd表示谐波参数;th,d表示谐波指数;表示经过hf过滤后得到的谐波信号;表示上加权单纯卷积滤波器uwscf中的加权霍奇-上拉普拉斯矩阵;
29、当所述下投影信号经过跳跃连接skip connection时,其滤波过程的表达式如下:
30、
31、式中,表示可学习的参数;表示经过skip connection滤波后得到的信号;
32、当所述下投影信号经过下加权单纯卷积滤波器dwscf的三个子滤波器滤波后,可以得到第l层的下投影信号其表达式如下:
33、
34、进一步的,所述加权单纯卷积滤波器wscf由加权梯度滤波器wgf、加权旋度滤波器wcf、谐波滤波器hf和跳跃连接skip connection组成;
35、在所述的k阶单纯复形中定义一个l层的加权单纯复形神经网络wscnn架构;
36、当第l-1层的单纯信号经过加权梯度滤波器wgf滤波时,其滤波过程的表达式如下本文档来自技高网...
【技术保护点】
1.一种基于加权单纯复形神经网络的链路预测方法,其特征在于,对原始数据进行预处理,从而构建K阶单纯复形,并获取单纯信号Xk,及其关联矩阵Bk,其中,k=0,...,K;
2.根据权利要求1所述的一种基于加权单纯复形神经网络的链路预测方法,其特征在于,获取所述信号嵌入Zk的公式为:
3.根据权利要求2所述的一种基于加权单纯复形神经网络的链路预测方法,其特征在于,所述上加权单纯卷积滤波器UWSCF由加权旋度滤波器WCF、谐波滤波器HF和跳跃连接Skip Connection组成;
4.根据权利要求2所述的一种基于加权单纯复形神经网络的链路预测方法,其特征在于,所述下加权单纯卷积滤波器DWSCF由加权梯度滤波器WGF、谐波滤波器HF和跳跃连接Skip Connection组成;
5.根据权利要求2所述的一种基于加权单纯复形神经网络的链路预测方法,其特征在于,所述加权单纯卷积滤波器WSCF由加权梯度滤波器WGF、加权旋度滤波器WCF、谐波滤波器HF和跳跃连接Skip Connection组成;
6.根据权利要求1所述的一种基于加
7.根据权利要求1所述的一种基于加权单纯复形神经网络的链路预测方法,其特征在于,所述上投影信号Xk,u通过以下公式计算:
8.根据权利要求1所述的一种基于加权单纯复形神经网络的链路预测方法,其特征在于,所述单纯信号Xk包括点信号X0、边信号X1、面信号X2。
9.一种基于加权单纯复形神经网络的链路预测系统,其特征在于,包括,
...【技术特征摘要】
1.一种基于加权单纯复形神经网络的链路预测方法,其特征在于,对原始数据进行预处理,从而构建k阶单纯复形,并获取单纯信号xk,及其关联矩阵bk,其中,k=0,...,k;
2.根据权利要求1所述的一种基于加权单纯复形神经网络的链路预测方法,其特征在于,获取所述信号嵌入zk的公式为:
3.根据权利要求2所述的一种基于加权单纯复形神经网络的链路预测方法,其特征在于,所述上加权单纯卷积滤波器uwscf由加权旋度滤波器wcf、谐波滤波器hf和跳跃连接skip connection组成;
4.根据权利要求2所述的一种基于加权单纯复形神经网络的链路预测方法,其特征在于,所述下加权单纯卷积滤波器dwscf由加权梯度滤波器wgf、谐波滤波器hf和跳跃连接skip connection组成;
【专利技术属性】
技术研发人员:雷方元,周厚棉,刘昭岭,蒋健健,卢旭,
申请(专利权)人:广东技术师范大学,
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。