[发明专利]一种基于深度学习算法的有向链路预测模型

说明书

本发明提供了一种基于深度学习算法的有向链路预测模型，服务于分布式大规模网络的拓扑演化。该模型在分布式网络节点的有向邻居链路存在基数约束条件下，基于链路预测主体节点的链接候选邻居节点的当前指标特征和序列特征向量，采用DNN和LSTM深度学习算法，设计了CFSF链路预测模型，解决了存在链接基数约束条件下进行有向链路建立和消失的预测问题，提高了链路预测精度。

技术领域

本发明属于网络演化链路预测领域，具体涉及一种基于深度学习算法的有向链路预测模型。

背景技术

链路预测(Link Prediction，LP)是指如何通过已知的网络结构等信息预测网络中两个节点之间是否存在或产生链接的可能性，即链路预测包括：1)预测已存在但尚未被发现的链接，即预测未知链接；2)预测现在未存在但未来可能新产生的链接，即预测未来链接。

解决链路预测问题，从采用的技术上来说，可以分为基于马尔可夫链的方法和基于学习的方法。其本质都是计算网络中两个节点存在链接的概率问题。

将马尔科夫模型引入链接预测，最初由Zukerman等在1999年提出。其通过抽象浏览用户的浏览过程，建立马尔科夫链，利用转移概率矩阵进行预测。由于该类型方法只考虑建立一步状态转移概率矩阵，预测准确率不高，因此，目前的研究已向基于学习的方法发展。根据基于学习的链接预测方法相关文献所采用的技术，该类方法可分为两类：

1)基于机器学习的方法

基于机器学习相关技术的链路预测方法可以通过构建学习网络来探索多个指标，而不是使用某种单一指标度量。在将多个度量作为特征向量输入后，可产生对每个潜在链接形成可能性的预测。在近五年该类方法相关成果中，涉及了多种机器学习算法，如logistic、支持向量机、神经网络等传统算法，以及CNN、LSTM、RNN等深度学习算法。由此可见，链路预测领域所用技术已向机器学习倾斜。需要指出的是，随着网络数据量的膨胀以及硬件计算性能的提高，目前深度学习算法较传统的机器学习算法更易被研究人员重视。

2)基于矩阵分解的方法

矩阵分解是一种获得网络邻接矩阵的低秩近似和全局信息的技术。由于基于矩阵分解的方法要求全局信息，且较基于机器学习的方法可理解掌握性差，因此，近几年相关研究文献相对较少。

关于链路预测面向的网络特点，已有技术主要关注网络的动态或静态、有向或无向特征。静态网络特征指网络在某一时间点的拓扑结构、节点属性等的特征；动态网络特征指的是网络在某一时间段内或几个连续的时间段内，发生着不断变化的拓扑结构、节点属性等的特征。可见，动态网络相当于是一个序列的静态网络，这个序列一般指时间序列或周期序列。

在已有的面向动态网络进行链路预测的相关成果中，并不能很好地掌握动态信息的变化规律，未充分利用多个时间段构成的序列信息。本发明将从每个节点出发，进行其出度方向的链路预测。但在预测时，会考虑不同方向的链路在计算网络拓扑相关指标时如何运用，以及节点间建立有向链路的基数约束。

发明内容

目前已经证明，深度学习算法LSTM(Long Short-Term Memory，长短期记忆网络)是解决序列依赖问题的有效技术，其能把握序列数据的发展趋势，普适性非常高；而DNN适用于非序列数据，一般情况下，相较于启发式方法或传统的机器学习算法，其分类或预测的准确性相对较优。因此，本发明分别利用DNN和LSTM算法来处理候选邻居节点的一次快照特征和序列特征，设计了一种基于深度学习算法的链路预测模型CFSF(Current FeaturesSequence Features)，以解决分布式大规模动态网络中的有向链路预测问题，提高链路预测准确性。模型包括以下内容：