【技术实现步骤摘要】
本专利技术涉及网络链路预测，具体涉及一种基于时序异构图注意力网络的动态链路预测方法及系统。
技术介绍
1、随着互联网的普及和各种网络应用的兴起，网络科学中的链路预测成为了一个重要的研究问题。链路预测是预测网络中的两个节点之间是否有可能存在一条链路，这个问题的解决对于优化网络资源分配、社交网络分析等具有重要意义。现实世界中的网络往往是异构的，包括不同类型的节点和边，并且在现实世界中的网络通常是动态变化的、动态交互的，这种特点使得网络具有高度的复杂性和不确定性。动态变化意味着网络拓扑结构、节点属性、链路属性等信息随着时间和事件的变化而不断演化，需要实时监测和适应。动态交互则表明网络中的节点和链路之间存在着频繁的相互作用和信息传递，导致网络的状态和性能随时可能发生变化。在动态网络链路上进行预测时，需要实时监测网络状态和拓扑变化，考虑网络中链路状态的动态变化，处理数据稀疏和模型泛化能力等挑战。
2、目前传统的链路预测方法存在一些不足之处，其需要实时监测网络状态和拓扑变化，计算复杂度较高，导致实时性和效率不足，动态异构网络中的数据通常是稀疏的，传统的数据处理方法难以有效利用这些数据进行准确的链路预测。注意力机制在深度学习中被广泛应用，通过对输入的关注程度进行动态调整，可以提升模型的表达能力和预测性能。在链路预测问题中，引入注意力机制可以帮助网络模型更好地捕捉节点之间的关联性，提高链路预测的准确度。
技术实现思路
1、鉴于以上问题，本专利技术提出一种基于时序异构图注意力网络的动态链
2、根据本专利技术的一方面，提出一种基于时序异构图注意力网络的动态链路预测方法，该方法包括以下步骤：
3、步骤一、获取时序异构网络的时序异构图；所述时序异构图其中v是节点集合，e是事件集合，t是时间戳集合，φ是节点类型集合，ψ是边类型集合；
4、步骤二、将所述时序异构图按照时间顺序划分为训练集和测试集，获取预测时间t；
5、步骤三、基于训练集训练链路预测模型，包括：
6、计算训练集中节点的路径级嵌入并进行负采样，获得与正样本相同链路类型的负样本，且正负样本数量相同；将正样本及对应的负样本划分为多个批次，对于每个批次中的每个目标节点u：
7、首先，学习预测时间t之前的时序异构图的节点级别和路径级别的节点信息，聚合时序异构图的上下文信息，获得含有异构信息的节点嵌入xu(t)；
8、然后，根据top-n最近采样策略，在时序异构图中对目标节点的一阶时序邻居进行采样，获得节点的时序邻居集合nt(u)；
9、然后，根据目标节点和时序邻居集合中节点的节点特征以及事件的时间特征，获得目标节点的节点时间特征矩阵zs(t)和zn(t)；
10、然后，计算事件的注意力分数，聚合时序邻居的特征得到目标节点的邻域特征；
11、最后，处理节点特征，将节点特征进行解码，获得预测结果；
12、步骤四、将测试集输入步骤三训练好的链路预测模型中进行预测，获取预测概率；
13、步骤五、计算测试集所对应预测概率的roc曲线下面积值和平均精度值；
14、步骤六、迭代重复执行步骤三至步骤五直至达到最大迭代次数，计算多次迭代的多个roc曲线下面积值的平均值和多个平均精度值的平均值作为最终预测结果，完成链路预测模型的训练；
15、步骤七、将待预测时序异构网络数据输入训练好的链路预测模型中进行链路预测。
16、进一步地，步骤三中所述路径级嵌入的计算公式为：
17、
18、式中，leakyrelu表示激活函数；和是可学习的参数；表示节点v在第l-1层网络的节点级别嵌入。
19、进一步地，步骤三中所述学习预测时间t之前的时序异构图的节点级别和路径级别的节点信息，聚合异构图的上下文信息，获得含有异构信息的节点嵌入xu(t)包括：
20、首先，进行n次随机游走，获得以目标节点u为起点的路径集合pu；对于路径集合pu中每条路径pi，聚合路径中节点的路径级别嵌入，获得每条路径pi的路径级别嵌入为：
21、
22、式中，fp为均值池化；表示节点vi的路径级嵌入；
23、然后，计算目标节点u在每条路径上的个性化信息
24、
25、式中，是缩放向量，是移位向量；表示节点u在第l-1层网络的节点级别嵌入；然后，聚合目标节点u的所有个性化信息获得上下文信息
26、
27、式中，mean表示均值聚合；l(p)是路径p的长度，e-λl(p)作为一个加权方案，偏向于更短的路径；
28、然后，将上下文信息转换为节点嵌入xu(t)：
29、
30、式中，和表示可训练的参数。
31、进一步地，步骤三中所述根据目标节点和时序邻居集合中节点的节点特征以及事件的时间特征，获得目标节点的节点时间特征矩阵zs(t)和zn(t)包括：对于时序邻居集合中每个节点，计算事件的映射矩阵meu和计算事件所对应两个节点的投影向量hu(t)和计算两个节点在某一事件上的事件特征和zi(ti)；计算事件的时间嵌入te(t-ti)；最后，将事件特征和时间嵌入进行拼接获得目标节点的时间特征矩阵zs(t)和zn(t)。
32、进一步地，步骤三中所述映射矩阵meu和的计算公式为：
33、
34、
35、式中，表示事件类型的投影向量；nφ(u)和nφ(v)分别表示节点u的节点类型φ(u)的投影向量、节点v的节点类型φ(v)的投影向量，两者都是可训练的；i表示单位矩阵；d表示矩阵维度；
36、所述投影向量hu(t)和hv(t)的计算公式为：
37、
38、
39、式中，xu(t)和xv(t)分别是节点u和v的节点信息；
40、事件特征表示节点v0在事件ei上的事件特征，计算公式为：
41、
42、式中，layernorm表示归一化层；i表示节点的第i个时序邻居；表示节点v0的投影向量；χ0,i(ti)表示事件ei的边特征；
43、事件特征zi(ti)的计算公式为：
44、
45、式中，表示节点vi的投影向量；
46、事件的时间嵌入te(t-ti)的计算公式为：
47、
48、式中，w1、是可学习的参数；ti表示事件ei的时间戳；dt表示嵌入维度；
49、目标节点的时间特征矩阵zs(t)和zn(t)计算公式为：
50、
51、zn(t)＝[z1(t1)||te(t-t1),…,zn(tn)||te(t-tn)]t
52、式中，表示节点v0在事件e1上的事件特征；表示节点v0在事件en上的事件特征；te(0)表示0时刻的本文档来自技高网...
【技术保护点】
1.一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述路径级嵌入的计算公式为：
3.根据权利要求2所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述学习预测时间t之前的时序异构图的节点级别和路径级别的节点信息，聚合异构图的上下文信息，获得含有异构信息的节点嵌入xu(t)包括：
4.根据权利要求3所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述根据目标节点和时序邻居集合中节点的节点特征以及事件的时间特征，获得目标节点的节点时间特征矩阵Zs(t)和Zn(t)包括：对于时序邻居集合中每个节点，计算事件的映射矩阵Meu和计算事件所对应两个节点的投影向量hu(t)和计算两个节点在某一事件上的事件特征和zi(ti)；计算事件的时间嵌入TE(t-ti)；最后，将事件特征和时间嵌入进行拼接获得目标节点的时间特征矩阵Zs(t)和Zn(t)。
5.根据权利要求4所述的一种基于
6.根据权利要求5所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述计算事件的注意力分数，聚合时序邻居的特征得到目标节点的邻域特征包括：将时间特征矩阵Zs(t)和Zn(t)投影到Q,K,V矩阵，其中Q是查询矩阵，K是索引矩阵，V是值矩阵；计算目标节点对事件的注意力权重αi；对目标节点的邻域的事件特征进行加权求和获得邻域特征yu(t)；其中，目标节点对事件的注意力权重αi计算公式如下：
7.根据权利要求6所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述处理节点特征，将特征进行解码，获得预测结果包括：将邻域表示yu(t)与源节点特征结合起来，并将其传递给全连接神经网络获得节点的输出嵌入使用全连接神经网络计算目标节点的正负样本事件发生的概率计算损失值，优化器使用Adam，反向传播更新参数集合。
8.根据权利要求7所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述将邻域表示yu(t)与源节点特征结合起来，并将其传递给全连接神经网络获得节点的输出嵌入的计算公式为：
9.根据权利要求8所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中按照下述公式计算损失值：
10.一种基于时序异构图注意力网络的动态链路预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述路径级嵌入的计算公式为：
3.根据权利要求2所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述学习预测时间t之前的时序异构图的节点级别和路径级别的节点信息，聚合异构图的上下文信息，获得含有异构信息的节点嵌入xu(t)包括：
4.根据权利要求3所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述根据目标节点和时序邻居集合中节点的节点特征以及事件的时间特征，获得目标节点的节点时间特征矩阵zs(t)和zn(t)包括：对于时序邻居集合中每个节点，计算事件的映射矩阵meu和计算事件所对应两个节点的投影向量hu(t)和计算两个节点在某一事件上的事件特征和zi(ti)；计算事件的时间嵌入te(t-ti)；最后，将事件特征和时间嵌入进行拼接获得目标节点的时间特征矩阵zs(t)和zn(t)。
5.根据权利要求4所述的一种基于时序异构图注意力网络的动态链路预测方法，其特征在于，步骤三中所述映射矩阵meu和的计算公式为：
6.根据权利要求5所述的一种基于时序异构图注意...
【专利技术属性】
技术研发人员：何慧，陈端静，邰煜，杨洪伟，张伟哲，
申请(专利权)人：哈尔滨工业大学，
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。