[发明专利]一种基于深度学习算法的有向链路预测模型

权利要求书

1.一种基于深度学习算法的有向链路预测模型(1)，其特征在于是否拥有主体节点的链接候选节点最近N个周期结束时的网络结构和属性特征，即分为拥有全部候选节点最近N个周期结束时的网络结构和属性特征时的链路预测(11)和未拥有全部候选节点最近N个周期结束时的网络结构和属性特征时的链路预测(12)，最终根据链接基数约束条件，基于预测模型中使用的回归算法的输出值和设定的阈值，获得有向链路预测结果(13)。

2.根据权利要求1所述的拥有全部候选节点最近N个周期结束时的网络结构和属性特征时的链路预测(11)，其特征在于将利用回归LSTM算法，得出回归值，最终在回归值大于设定阈值的节点中，按回归值从大到小确定下一轮的直接邻居，获得链路预测结果(13)。

3.根据权利要求1所述的未拥有全部候选节点最近N个周期结束时的网络结构和属性特征时的链路预测(12)，其特征在于面向拥有其最近N个周期结束时的网络结构和属性特征记录的这一部分候选节点，基于回归LSTM得出回归值，回归值大于预先设置的阈值的节点，形成子候选集1(121)；面向未拥有其最近N个周期结束时的网络结构和属性特征记录的候选节点进行链路预测时(122)，如候选节点当前为主体节点直接邻居，则基于DNN1网络得出回归值，回归值大于预先设置的阈值的节点，形成子候选集2(1221)，否则，将基于DNN2网络得出回归值，回归值大于预先设置的阈值的节点，形成子候选集3(1222)；然后，按子候选集123的优先选择顺序，在每个子候选集内，按回归值从大到小选取节点作为下一周期直接邻居，获得链路预测结果(13)。