[发明专利]一种基于深度学习的无向网络连边权重预测方法

说明书

技术领域

本文涉及深度学习与数据挖掘领域，特别是涉及基于深度学习的无向网络连边权重预测方法。

背景技术

现实生活中的许多问题都能够抽象成复杂网络模型来进行研究，如社交网络、电力网络和交通网络等。网络中的节点代表现实中的个体，个体与个体之间相互作用，形成了网络中的连边。网络连边对于网络结构的研究，揭示网络的演化趋势具有重要作用。现实网络模型中的连边往往是带有权重的，这些权重都有其鲜明的物理意义，如蛋白-蛋白相互作用(PPI)网络中连边权重对于蛋白质网络结构及其作用的研究具有重要作用。因此，预测网络连边中缺失的权重对于网络结构的研究具有重要意义。

近年来以深度学习为基础的卷积神经网络在计算机视觉、自然语言处理等领域发挥出巨大的作用。卷积神经网络在这些方面的成功案例，显示出其在处理非结构化数据上的能力，人们也希望将卷积神经网络应用于结构化类型的网络数据。对于结构化数据的处理，目前主流的方法是将网络中的节点转换为向量，如node2vec(见文献[1]A.Grover,J.Leskovec.node2vec:Scalable feature learning for networks.ACM SIGKDD international conference on Knowledge discovery and data mining.2016.即格罗弗，莱斯科韦茨，节点转向量：可扩展的网络特征学习方法，ACM SIGKDD知识发现与数据挖掘国际会议，2016.)。

发明内容

为了克服传统的机器学习算法在处理结构化网络数据时，如连边权重预测，需要人工设计并提取大量的网络特征，并进行不断地组合尝试，较为繁琐的不足，本发明利用频域卷积处理网络数据，提出了用于回归的深度学习模型来解决无向网络的连边权重预测问题。本发明涉及的是无向网络的连边权重预测，依靠网络的邻接矩阵，利用频域卷积代替传统的卷积运算来建立多层的频域卷积模型，通过端到端的学习，实现无向网络的连边权重预测。

本发明解决其技术问题所采用的技术方案是：

一种基于深度学习的无向网络连边权重预测方法，包括以下步骤：

S1：建立网络，根据已有的无向网络数据集建立带权重的无向网络图G＝(V,E,W)，其中V代表网络节点的集合，E代表网络连边的集合，W为网络连边权重的集合，网络的总节点数记为N；

S2：构造模型输入，对于自带节点特征的数据集，得到用于表征网络节点特征的矩阵X_N×M作为模型的输入层，其中M为表示节点特征的向量维度；对于不包含节点特征的数据集，可简单地将单位矩阵I_N作为模型的输入层；

S3：模型搭建，使用TensorFlow搭建多层频域卷积模型，记模型层数为n。前n-1层为频域卷积层，用于提取网络中的特征并将其进行编码；第n层为全连接层，对特征进行解码得到网络连边的权重；

S4：模型训练，根据十折交叉验证方法，将网络连边权重分为10份，随机选择9份作为模型的训练集，1份作为测试集，频域卷积模型将均方误差MSE作为其优化目标，采用基于自适应矩估计ADAM的梯度下降算法进行训练，最后根据得到的预测权重与真实权重计算出皮尔森相关系数PCC，连同MSE作为模型的评价指标。

进一步，所述S2中，对于带有节点属性特征的网络数据集来说，需构造表示网络节点属性特征的矩阵X_N×M作为模型的输入，其中N为网络节点个数，M为表示节点特征的向量的维度，网络中的第i个节点带有属性特征x_i，x_i为M维的向量，则有

X_N×M＝[x₁，x₂，…，x_i，…x_N](I)

若网络数据集中的节点不带有属性特征，则可以简单地将对应维度的单位矩阵作为模型的输入，即X＝I_N。

再进一步，所述S3中，使用了频域卷积代替一般的卷积运算，根据实际计算的需求，定义了在一阶近似条件下每一层频域卷积的运算：

其中，H^(l)为第l层输出的激活度值，W^(l)为第l层的权值，为无向图G添加自连接之后的邻接矩阵，即为N阶的对角矩阵，σ为激活函数。