[发明专利]一种基于动态网络表示学习的链路预测方法

权利要求书

1.一种基于动态网络表示学习的链路预测方法，其特征在于，包括：

获取动态网络的邻接矩阵；其中，所述动态网络包括：Email邮件转发网络，节点代表用户个体，连边表示两个用户之间存在消息转发关系；所述动态网络还包括：Facebook脸书上帖子转发网络，节点代表具体用户，连边代表两个用户存在转发帖子的关系；所述动态网络还包括：Askubuntu问答网络，节点代表用户，两个用户之间的连边代表相互有评论关系；

通过计算动态网络节点间的相似度值，构建动态网络的相似度矩阵；所述相似度矩阵为：

其中，v_i表示节点i，v_j表示节点j，S_{Dice_new}(v_i，v_j)对应于相似度矩阵S_{Dice_new}中的第i行第j列元素，即节点v_i和节点v_j的相似度值；N(v_i)表示节点v_i的邻居节点集合，N(v_i)∪{v_i}表示将节点v_i本身也添加到自己的邻居节点集合；N(v_i)表示节点v_j的邻居节点集合，N(v_j)∪{v_j}表示将节点v_j本身也添加到自己的邻居节点集合；|N(v_i)∪{v_i}|表示集合N(v_i)∪{v_i}中元素的数量；|N(v_j)∪N{v_j}|表示集合N(v_j)∪{v_j}中元素的数量；

将图卷积神经网络应用到单个动态网络中进行特征聚合，并利用邻接矩阵和相似度矩阵指导特征聚合过程，确定节点的低维特征表示；所述节点的低维特征表示为：

其中，H^t为单个动态网络t上的正样本低维表示；p_(t)：为编码器；S_{Dice_new}为动态网络的相似度矩阵；并且表示矩阵的第i行i列对应的元素，ReLU为ReLU函数；A^t为动态网络t的邻接矩阵，I_N为单位矩阵；为调控参数且X^t为动态网络t的特征矩阵；为时间步t上的卷积神经网络的权重矩阵；

将节点的低维特征表示输入到逻辑回归分类器中，获得动态网络的链路预测结果；所述动态网络的链路预测结果E为：

E＝{E¹，E²，...，E^t}

其中，E^t＝{e^t_i，j}，e^t_id表示在t时刻，节点v_i和节点v_j存在连边，即邻接矩阵A^t的第i行第j列的值为1。

2.如权利要求1所述的基于动态网络表示学习的链路预测方法，其特征在于，还包括：采用长短记忆网络LSTM更新时间步t上的卷积神经网络的权重矩阵W^t；具体为：

F_t＝σ(M_FW^t-1+U_FW^t-1+Q_F)

I_t＝σ(M_IW^t-1+U_IW^t-1+Q_I)

O_t＝σ(M_OW^t-1+U_OW^t-1+Q_O)

W^t＝O_ttanh(C_t)

其中，和为循环神经网络的权重矩阵，Q_ξ为偏置向量，并且有ξ∈{F，I，O，C}；W^t-1为上一时刻的卷积神经网络的权重矩阵。