[发明专利]一种基于深度学习的无向网络连边权重预测方法

摘要

一种基于深度学习的无向网络连边权重预测方法，包括以下步骤1)根据已有的加权网络数据集建立带权重的无向网络图；2)利用表示网络中节点属性特征的向量构造模型的输入，若网络节点不带有属性特征，则用相应维度的单位矩阵作为模型输入；3)确定模型的层数与各层的参数，利用频域卷积搭建多层的频域卷积模型；4)用十折交叉验证法确定训练集和测试集，以均方误差(MSE)作为优化目标进行训练，并将其与预测权重和真实权重之间的皮尔森相关系数(PCC)作为模型的评价指标。本发明利用深度学习的方法，结合频域卷积，设计了多层的频域卷积模型用于无向网络的连边权重预测，简化了传统预测方法的流程，预测结果较好。

主权项

一种基于深度学习的无向网络连边权重预测方法，其特征在于：所述方法包括以下步骤：S1：根据已有的无向网络数据集建立带权重的无向网络G＝(V,E,W)，其中V代表网络节点的集合，E代表网络连边的集合，W为网络连边权重的集合。网络的总节点数记为N；S2：根据网络节点是否带有属性特征构造模型输入；S3：使用频域卷积代替一般的卷积运算，搭建多层的频域卷积模型，记模型层数为n；前n‑1层为频域卷积层，用于提取网络中的特征并将其进行编码；第n层为全连接层，对特征进行解码得到网络连边的权重；S4：根据十折交叉验证法，将网络连边权重均匀分为10份，随机选择9份作为模型的训练集，1份作为测试集，模型将均方误差MSE作为其优化目标，采用基于自适应矩估计ADAM优化的梯度下降算法进行训练；最后根据得到的预测结果与真实数据计算出皮尔森相关系数PCC，连同MSE作为模型的评价指标。