[发明专利]基于变分自编码器的动态网络嵌入链接预测方法

权利要求书

1.基于变分自编码器的动态网络嵌入链接预测方法，其特征在于，包括以下步骤：

S1：获取一段时间的学术网络或社交网络数据流，按照一定时间细粒度进行数据预处理；

S2：利用变分自编码器建立编码-解码框架，对每个时间切片的网络数据进行编码得到低维向量；

S3：利用当前网络中节点间的邻居关系，对网络中每一个节点输出的低维向量施加自注意约束；所述S3中利用当前网络中节点间的邻居关系，对网络中每一个节点输出的低维向量施加自注意约束，具体包括以下步骤：S3.1：利用当前时刻网络的邻居关系计算节点对其邻居的关注程度，得到邻居重要性矩阵；S3.2：与上述生成的低维向量相乘得到施加结构属性约束的隐向量；

S4：将上一时刻输出的低维向量结合当前网络拓扑结构输入LSTM网络，得到更新的低维向量；

S5：对获得的低维向量进行解码，还原为重构的下一时刻网络，以实现链接预测。

2.根据权利要求1所述的基于变分自编码器的动态网络嵌入链接预测方法，其特征在于，所述S1中获取一段时间的学术网络或社交网络数据流，按照一定时间细粒度进行数据预处理，具体包括以下步骤：

S1.1：通过网络日志形式获取每天的网络结构图，以及通过一段时间内科学杂志摘要的作者信息获得作者之间的社交网络，再分割成每天的网络结构图；

S1.2：使用随机块模型，设计规则生成虚拟的网络拓扑图。

3.根据权利要求1所述的基于变分自编码器的动态网络嵌入链接预测方法，其特征在于，所述S2中利用变分自编码器建立编码-解码框架，对每个时间切片的网络数据进行编码得到低维向量，具体包括以下步骤：

S2.1：设计自编码器的隐藏层数量与神经元数目，定义变分自编码器的模型代价函数，包括重构损失与KL散度损失两项；

S2.2：利用重参数技巧使模型可以通过梯度下降方式进行反向传播。

4.根据权利要求1所述的基于变分自编码器的动态网络嵌入链接预测方法，其特征在于，所述S4中将上一时刻输出的低维向量结合当前网络拓扑结构输入LSTM网络，得到更新的低维向量，具体为利用LSTM网络结构，输入当前网络拓扑结构，隐向量，以及上一时刻的隐向量，结合LSTM当前时刻的状态，输出更新的隐向量。

5.根据权利要求1所述的基于变分自编码器的动态网络嵌入链接预测方法，其特征在于，所述S5中对获得的低维向量进行解码，还原为重构的下一时刻网络，以实现链接预测，具体为将经过处理的低维向量重新输入变分自编码器解码层，重构出下一时刻的网络，可以直接通过历史数据集评估模型精确度。