[发明专利]一种基于动态网络表示学习的链路预测方法

说明书

本发明公开了一种基于动态网络表示学习的链路预测方法，包括：获取动态网络的邻接矩阵；通过计算动态网络节点间的相似度值，构建快照网络的相似度矩阵；将图卷积神经网络应用到单个快照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；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。本发明通过基于相似性的聚合策略，能够确保当前时刻网络上的节点低维表示质量。通过利用在卷积神经网络中使用的互信息最大化策略，得到蕴涵网络全局结构信息的节点低维向量表示，基于这些节点的低维向量表示输入逻辑回归分类器，可以输出链路预测结果。

技术领域

本发明涉及人工智能与复杂网络技术领域，更具体的涉及一种基于动态网络表示学习的链路预测方法。

背景技术

现实世界中的一些复杂关系可以由网络来描述，对于网络中的实体可以用抽象网络中的节点来表示，而对于实体间的联系则可以用边来描述。利用复杂网络对现实世界建模是一种非常有效的方法。复杂网络利用科学的研究手段将现实世界中的数据以一种易于理解和应用的方式来呈现，也正因如此，目前对复杂网络的研究受到广泛的关注。其中，复杂网络中的链路预测研究，对分析诸如社交网络中用户间的信息交流与传播具有重要意义。

复杂网络中的社交信息传播预测是研究热点之一，其目的是预测网络中节点(用户)间可能存在的连边(用户间的关系)。随着信息技术的进步，社交网络的规模急剧增加，庞大的社交即时通信网络(如微信，邮件等)极大促进了信息的传播与交流，却也使得相关部门对网民的行为监测和信息传播管控变得更为棘手和复杂。面对如今网络信息的爆发式、碎片化传播等问题，如果不进行有效的干预和调控，将可能引发网络舆情的大幅度扩散从而影响社会的稳定，因此，研究出大规模社交网络的信息扩散和结构的变化，为维持网络的稳定发展提供科学数据，具有重要的社会应用价值。

此外，在日常生活中，社交网络往往随着时间的延续而不断的发展，也即网络中的用户和用户间的交互是随时间的变化而变化的。从社交网络的发展来说，会有新的用户因注册社交账号而加入网络，也会有用户因注销社交账号而退出网络；没有联系的两个社交用户间也有可能在未来建立联系；经常联系的两个用户可能逐渐淡化联系以至不存在信息交流。面对网络的动态变化，对诸如舆情信息传播控制提出了新的要求和挑战。针对以上这些问题，可以采用基于网络表示学习的分析方式，利用动态网络链路预测的方法，预测出社交通讯网络中可能存在的用户间的通讯交互，不仅可以帮助分析网络信息的传播规律，而且还可以预测出网络信息的传播可能和动向，进而为诸如舆情控制部门制定舆情抑制方案提供科学的参考。

通过表征学习网络的低维向量表示来预测网络中可能存在的链路，目前已经提出了一些方案。根据类别可以大致分成三类：1.基于非负矩阵分解方法。该方法通过将网络的邻居矩阵或者其他信息矩阵分解成基矩阵和系数矩阵。尽管通过矩阵分解操作可以将网络中的多种属性信息投影到低维表示空间中，但是由于非负矩阵分解涉及大规模的矩阵运算，当输入网络规模较大时将造成大量的时间开销，导致其难以运用于大规模网络。2.基于随机游走的方法。该方法采用自然语言处理的技术，把在网络随机游走得到的节点序列当成句子，节点当成单词，并运用word2cec来生成节点的低维表示。基于随机游走的方法相对于非负矩阵方法在时间开销上提高了效率，减小了计算代价，但是该算法只能捕捉到网络的拓扑结构信息，而不能考虑到网络的属性信息，这限制了该方法在属性网络上的运用。3.基于深度学习的方法。该方法的一种实现方式是利用图卷积神经网络来学习节点的低维表示。通过运用图卷积操作可以将邻居节点属性信息聚合给目标节点并相应更新其特征，并输出最后的特征为低维表示。这类方法基于局部策略能够很好的运用于大规模网络，并捕捉到网络的属性特征信息。

然而，目前大部分基于图卷积神经网络的网络表示学习方法都采用一种平均聚合邻域节点特征的策略，忽视了不同邻域节点对目标节点的重要性。此外，大部分网络表示学习方法主要关注静态网络，尽管有些方法考虑到了网络的动态性，但是这些方法在面对网络中边的改变，如增加、减少、改变属性时不能够捕捉到网络的全局特征。

发明内容