[发明专利]一种复杂网络链接预测方法及系统

权利要求书

1.一种复杂网络链接预测方法，其特征在于，所述方法基于边卷积的社交网络链接预测，包括以下步骤：

提取用户及其社交关系，生成用户社交关系网G的邻接矩阵A^n×n；

根据邻接矩阵A^n×n及用户基本信息法生成G节点的属性矩阵X^n×d；

将基于用户社交关系网G的复杂网络中的连边关联的两个节点的表示连接起来，设计边卷积运算，构建边卷积层；设计边卷积运算式为：

其中，n表示节点数，d表示每个节点的表示向量维度，所述节点表示用户，为目标节点v_i的表示，N(i)为v_i的邻居，Θ和Φ表示线性层，j表示节点v_j的编号，表示节点v_i经过第l+1层卷积运算得到的节点表示；

堆叠边卷积层，构建学习链接表示的图神经网络，更新并学习连边表示；

从学习的连边表示中抽取出关联节点的表示，并对关联节点的表示进行社交网络链接预测。

2.根据权利要求1所述的复杂网络链接预测方法，其特征在于，所述构建学习链接表示的图神经网络具体为：采用连边表示正规化策略对连边表示进行平滑操作，在边卷积层之间加入LeakyReLu激活函数以及残差连接构建所述图神经网络。

3.根据权利要求2所述的复杂网络链接预测方法，所述LeakyReLu激活函数为：

其中，x表示的是经边卷积层计算的连边表示，λ是一个可学习的超参数。

4.根据权利要求2所述的复杂网络链接预测方法，其特征在于，所述连边表示正规化策略的表达式如下：

其中，e_ij为复杂网络中关联目标节点v_i和v_j的连边；

为连边e_ij的表示；

为的均值，表达式为：

为的标准差，表达式为：

d_l为的维度；表示的是连边e_ij表示的第k个元素，为经过第l+1层边卷积运算获得的连边e_ij表示；

所述残差连接采用将残差单元以跳层方式加入边卷积运算中，得到用于学习连边表示的表达式：

再加入损失函数，构建得到用于学习连边表示的图神经网络。

5.根据权利要求4所述的复杂网络链接预测方法，其特征在于，所述从学习的连边表示中抽取出关联节点的表示，并对关联节点的表示进行链接预测具体为：从所述图神经中学习的连边表示中抽取出关联节点v_i与v_j的表示h_i与h_j，设计并实现解析器Parser，再对h_i与h_j的表示进行Gadamard积运算，利用sigmod分类器对Hadamard积运算结果进行分类学习，实现v_i与v_j是否存在链接的预测；其中，

6.根据权利要求1-5任意一项所述的复杂网络链接预测方法，其特征在于，所述边卷积运算式进一步简化为：

其中，||为节点表示的连接操作。