[发明专利]一种复杂网络链接预测方法及系统

说明书

本发明提供了一种复杂网络链接预测方法，所述方法基于边卷积，包括以下步骤：设计边卷积运算，构建边卷积层；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链接预测。本发明充分利用GNN端到端学习优势和GNN本质上聚合了邻居节点的表示，提出新的边卷积神经网络学习复杂网络中边的嵌入，并将链接预测问题转化为链接分类问题，实现链接预测的研究成果与图上的深度学习技术深度融合。

技术领域

本发明属于链接预测技术领域，特别涉及一种复杂网络链接预测方法及系统。

背景技术

作为一个新兴的交叉学科领域，复杂网络科学不仅是经典图论和随机图论在数学上的自然延伸，也是系统科学和复杂性科学的创新发展。复杂网络中的链路预测作为跨越多个学科的核心科学问题之一，利用获取的信息来预测网络中节点之间边缘的连接可能性。链接预测包括对实际存在于网络但尚未被检测到的未知链接的预测，也包括对网络中目前不存在、但应该存在或未来可能存在的未来链接的预测。链接预测作为一大类普世问题的抽象，可应用于任何将实体及其关系抽象成网络形式的系统中，可以帮助提高生物医学实验的效率，可以用于社会网络中关注对象推荐和电子商务中的个性化产品推荐等。

然而，传统的链路预测方法和技术主要从空间角度分析不同类型网络数据的拓扑特征，辅之以网络中节点或/和边的属性信息，并需要手动构建特征工程和选择启发式方法。遗憾的是，由于不同类型的网络具有不同的特性和属性，传统链路预测方法表达能力较差，无法自适应地获取固有的拓扑和动态特性。而且传统的链接预测方法在处理超大规模网络数据时往往严重依赖于几万台并行的计算机进行计算，对于动辄几亿规模的真实社交网络，其性能表现较差。因此，研究能够很好地并行化并能自适应学习链路形成机制的快速局部算法具有重要意义。

事实上，随着深度学习技术的快速发展，图像、语音、文本等形式的数据都得到了很好的深度学习，并取得了很好的效果。在此背景下，图神经网络(GNN)的出现实现了图数据(网络数据)挖掘和深度学习技术的有效融合，使得深度学习技术能够在复杂网络数据的相关应用场景中继续攻城略地。例如现有技术中公开了基于路径扩展的复杂网络局部链接预测方法，对最常用的相似性指数进行全局和准局部扩展，对来自不同领域的公开数据集进行了广泛的数值模拟，提出的扩展方案具有更好的链接预测性能。对于每个局部相似性指数，该方法首先给出它的矢量化实现，目标是定义类似于Katz指数的全局指数，这些指数可以简化为较小值的局部指数。然而，现有技术本质上属于人工定义链接预测相关的启发式和网络特征，无法从网络中自动地学习相关特征，并且只考虑了网络的邻接矩阵与度矩阵，即只从节点及网络的拓扑结构信息方面计算节点的特征，没有考虑节点的属性等信息，对节点的特征学习不全面，链接预测的性能不理想。

发明内容

针对上述问题，本发明提供一种复杂网络链接预测方法及系统，提出新的边卷积神经网络从复杂网络中自动学习边(链接)的表示(嵌入)，并将链接预测问题转化为链接分类问题，实现链接预测的研究成果与图上的深度学习技术深度融合。

为了实现上述目的，本发明采用以下技术方案：

一种复杂网络链接预测方法，所述方法基于边卷积，包括以下步骤：

设计边卷积运算，构建边卷积层；

堆叠边卷积层，构建学习链接(连接)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链接预测。

优选地，所述设计边卷积运算具体为：将复杂网络中的连边e_ij关联的两个节点v_i与v_j的表示(嵌入)连接起来，采用平均聚合节点邻居表示的方式设计卷积运算，设计边卷积运算式为：