【技术实现步骤摘要】
本专利技术属于图机器学习领域，具体涉及一种基于生成式自监督学习的动态网络链接预测方法。
技术介绍
1、动态网络在现实世界中无处不在，图是随时间不断演变的。社交网络、引用网络和交通系统都可以用动态网络来描述。动态网络链接预测描述了真实世界的网络如何随时间演化和交互，有助于理解其的内部行为并预测未来行为。
2、对比式自监督学习方法在动态网络上也取得了良好的效果，但它们的成功在很大程度上取决于复杂的数据增强技术和训练策略。此外，负采样对于对比损失函数来说是不可或缺的，通常需要付出大量努力才能从图中生成负采样。生成式自监督学习从本质上规避了对比式自监督学习的上述问题，此外，由于自编码器的简单性，它们不需要复杂的优化策略。因此，图掩码自编码器受到了广泛的探索。然而目前还缺乏在动态网络掩码自编码的研究，主要因为动态网络随时间不断演化，因此静态图上常用的随机掩码策略不适合动态网络；其次，由于动态网络的固有特性，掩码其边也就意味着掩码相应的时间信息。在解码过程中，传统的仅重构掩码图结构是不充分的。现有技术主要包括如下缺点：
3、...
【技术保护点】
1.一种自监督的时空特征融合的动态网络链接预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的自监督的时空特征融合的动态网络链接预测方法，其特征在于，所述社交数据包括所有用户的身份标识和属性值，以及用户之间的好友关系和评论关系。
3.根据权利要求2所述的自监督的时空特征融合的动态网络链接预测方法，其特征在于，所述步骤1具体实现过程如下：
4.根据权利要求3所述的自监督的时空特征融合的动态网络链接预测方法，其特征在于，所述步骤2具体实现过程如下：
5.根据权利要求4所述的自监督的时空特征融合的动态网络链接预测方法...
【技术特征摘要】
1.一种自监督的时空特征融合的动态网络链接预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的自监督的时空特征融合的动态网络链接预测方法，其特征在于，所述社交数据包括所有用户的身份标识和属性值，以及用户之间的好友关系和评论关系。
3.根据权利要求2所述的自监督的时空特征融合的动态网络链接预测方法，其特征在于，所述步骤1具体实现过程如下：
4.根据权利要求3所述的自监督的时空特征融合的动态网络链接预测方法，其特征在于，所述步骤2具体实现过程如下：
5.根据权利要求4所述的自监督的时空特征融合的动态网络...
【专利技术属性】
技术研发人员：焦鹏飞，张新勋，高梦州，李天鹏，赵治栋，
申请(专利权)人：杭州电子科技大学，
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。