[发明专利]一种采用GraphSAGE预测时序网络链路的方法

说明书

本发明公开了一种采用GraphSAGE预测时序网络链路的方法，包括：S1，利用时间切片方法将时序网络切分成一系列的网络快照，然后对网络快照内节点对的连边次数和连边时长信息进行数据预处理；S2，将预处理后的数据作为GraphSAGE算法的输入并学习训练获得节点embedding生成模型；S3，通过结合节点的embedding相似性和节点拓扑结构相似性构造节点相似性指标，从而对相应节点对在未来的连接状态进行预测。本发明能够对时序网络链路进行有效的预测，解决使用静态网络研究方法分析时序网络时，对网络的拓扑结构、传播动力学分析造成误差的问题。

技术领域

本发明涉及网络分析技术领域，特别是涉及一种采用GraphSAGE预测时序网络链路的方法。

背景技术

现实生活中大多数应用都可以用网络来表示，如电力网络、蛋白质互作用网络、社会网路、交通网路、机会网路、通信网络等。

现有技术中，通常采用静态网络结构对网络进行分析，然而在很多实际问题上静态网络不能给出很好的结论，因为现实世界的复杂网络往往是动态的，随着时间的变化而变化，而静态网络不考虑网络的时态性。在分析时，静态网络仅考虑当前状态的有效的连接，很多实际复杂网络中事件的发生往往具有多次性、非连续性等特点。使用静态网络研究方法分析时序网络时，会对网络的拓扑结构、传播动力学分析造成误差。

发明内容

针对上述问题，本发明的目的在于提出一种采用GraphSAGE预测时序网络链路的方法，以对时序网络链路进行有效的预测，解决使用静态网络研究方法分析时序网络时，对网络的拓扑结构、传播动力学分析造成误差的问题。

时序网络拓扑结构随着时间的变化而变化，而链路的变化具有一些隐含特征，这些特征能在一定程度上体现节点对连边状态的变化趋势。通过挖掘影响节点间链路状态的隐含特征，并计算得到节点间的关联性，从而预测下一时刻节点间链路的状态。

基于上传内容，本发明提供一种采用GraphSAGE预测时序网络链路的方法，包括：

S1，利用时间切片方法将时序网络切分成一系列的网络快照，然后对网络快照内节点对的连边次数和连边时长信息进行数据预处理；

S2，将预处理后的数据作为GraphSAGE算法的输入并学习训练获得节点embedding生成模型；

S3，通过结合节点的embedding相似性和节点拓扑结构相似性构造节点相似性指标，从而对相应节点对在未来的连接状态进行预测。

本发明首先将初始样本数据进行时间切片，并对样本中节点间的连边次数及节点间连边时长信息进行数据预处理，构造节点连边时长权重矩阵和节点连边状态矩阵。然后将每一网络快照的节点连边状态矩阵作为GraphSAGE算法的输入，在不断地迭代训练后获取每一网络快照的节点embedding的生成模型。通过结合Pearson相关系数和节点的连边时长信息计算每一网络快照的节点间embedding的相似性并进行算数平均化处理。最后结合节点间embedding的相似性和节点的拓扑结构信息构造节点相似性指标，能够准确的把握时序网络节点对在时域上的演变规律，从而对时序网络链路进行有效的预测。

本发明利用GraphSAGE算法能快速学习获得节点embedding的优势，结合节点拓扑结构信息、节点连边时长信息构造节点相似性指标，并通过节点相似性指标计算获得节点间的关联性，从而学习到时序网络链路变化的内在特征，能够更好的分析动态网络中链路的变化，有效解决了使用静态网络研究方法分析时序网络时，对网络的拓扑结构、传播动力学分析造成误差的问题。此外，基于GraphSAGE算法训练学习得出的embedding生成模型能够快速获得节点的embedding信息，从而提高节点对相似性计算的效率。

另外，根据本发明上述的采用GraphSAGE预测时序网络链路的方法，还可以具有如下附加的技术特征：

进一步地，步骤S1具体包括：