基于深度非负矩阵分解的动态含权网络链路预测方法技术

本发明专利技术公开了一种基于深度非负矩阵分解的动态含权网络链路预测方法，属于网络预测技术领域。本发明专利技术中，通过构建非负矩阵分解能够提取出节点的特征向量，揭示节点之间的隐藏关系，通过深度非负矩阵分解，能够对更高层次的节点进行预测，进一步提升预测性能，非负矩阵分解具有良好的可解释性，可以对预测结果进行解释和理解，并且通过边缘触发机制对原始网络权重矩阵进行修正，根据网络拓扑信息之间的变化量来动态调整权重矩阵，弥补了离散的网络拓扑信息表示动态网络存在时序信息丢失的不足，修正后的权重矩阵可以更好地反映网络的连续性和时序变化，用于后续的链路预测或其他动态网络分析任务。

【技术实现步骤摘要】

本专利技术属于网络预测，尤其涉及一种基于深度非负矩阵分解的动态含权网络链路预测方法。

技术介绍

1、网络中的链路预测是指如何通过已知的网络节点以及网络结构等信息预测网络中尚未产生连边的两个节点之间产生链接的可能性。这种预测既包含了对未知链接的预测也包含了对未来链接的预测。该问题的研究在理论和应用两个方面都具有重要的意义和价值，近年来，随着网络科学的快速发展，其理论上的成果为链路预测搭建了一个研究的平台，使得链路预测的研究与网络的结构与演化紧密联系起来。因此，对于预测的结果更能够从理论的角度进行解释。这也是我们相比计算机专业的人研究链路预测的优势所在。与此同时，链路预测的研究也可以从理论上帮助我们认识复杂网络演化的机制。针对同一个或者同一类网络，很多模型都提供了可能的网络演化机制。由于刻画网络结构特征的统计量非常多，很难比较不同的机制孰优孰劣，通常，网络系统中关于实体及实体间关系的动态性预测可以被抽象为动态网络的时序链路预测问题。

2、中国专利公开号cn113807600b的专利技术专利公开了一种动态社交网络中的链路预测方法。获取当前社交网络的网本文档来自技高网...

【技术保护点】

1.一种基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，构建领接矩阵的具体步骤包括：构建邻接矩阵时，根据网络的拓扑结构和权重信息进行填充：

3.根据权利要求1所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，使用训练数据集对DNMF模型进行训练，优化W和H矩阵的参数时，采用交替最小二乘法进行训练，具体包括：

4.根据权利要求3所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，还包括计算损失函数：在每次迭代更新W...

【技术特征摘要】

1.一种基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，构建领接矩阵的具体步骤包括：构建邻接矩阵时，根据网络的拓扑结构和权重信息进行填充：

3.根据权利要求1所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，使用训练数据集对dnmf模型进行训练，优化w和h矩阵的参数时，采用交替最小二乘法进行训练，具体包括：

4.根据权利要求3所述的基于深度非负矩阵分解的动态含权网络链路预测方法，其特征在于，还包括计算损失函数：在每次迭代更新w和h矩阵之后，计算损失函数的值，用于评估模型的拟合程度。

【专利技术属性】
技术研发人员：王小英，贾如春，杨昌松，郑美容，刘星毅，韦婷，
申请(专利权)人：防灾科技学院，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人