[发明专利]一种对复杂网络进行链路预测的方法

摘要

本发明提供了一种对复杂网络进行链路预测的方法，基于图注意力网络(GAT)的端到端链路预测模型，以及该模型的分批训练方法。该模型的关键在于学习网络节点对周围邻居的注意力分布。模型的训练和利用模型预测的步骤包括：步骤一，输入无权无向同质网络的拓扑结构；步骤二，根据训练集的拓扑结构对所有节点进行一阶、二阶邻居采样，以便将网络分批；步骤三，将分批后的训练集输入上述模型训练出模型参数；步骤四，输入想要预测的点对，模型输出该点对之间有连边的概率。本发明所述模型具有端到端的特点。分批训练方法使得该模型对大规模复杂网络也适用。

主权项

1.一种对复杂网络进行链路预测的方法，包括模型的构建和其分批训练方法，其特征在于，包括：对网络拓扑结构预处理，得到分批训练数据集；建立基于GAT的端到端链路预测模型；对模型进行分批训练，得出模型参数；利用训练好的模型对连边进行预测，所述模型包含训练好的GAT模型和其后的二分类器模型，其方法具体如下：1).对需要处理的目标网络进行消除方向消除权重处理，得到网络无向无权的同质拓扑结构，该网络不能包含孤立节点；2).上述网络中连边对应的点对作为训练集中的正例，同时随机采集与连边数等量且没有连边的点对，作为训练集中的负例；对正负例中出现的所有点进行固定数目一阶、二阶邻居采样，节点和其邻居看做整体，然后将训练集分批；3).构建基于GAT的端到端链路预测模型，包含以下部分：3.1).模型输入为点对和他们的一阶、二阶邻居，输出为该点对之间有连边的概率；3.2).根据网络数据实际情况，初始化节点向量为，其中i为节点下标；3.3).节点向量在初始向量的基础上通过以下两层图注意力模型进行更新，第一层图注意力更新的公式具体为：其中α_ij表示节点i对节点j的注意力，表示经过第一层GAT后节点的更新向量；节点向量更新的具体做法为，首先根据节点的二阶邻居和一阶邻居的初始向量信息，分别并行更新一阶邻居和该节点的向量，然后利用更新之后的向量，经过第二层GAT，再次更新该节点的向量；3.4).经过上述3.3)步骤得到点对的更新向量将向量组合，得到点对之间连边的向量e_ij，组合方法如下：3.5).将上述连边向量输入逻辑回归分类器，得到该连边存在的概率值；4).模型的训练方法为：每次输入训练集中的一批点对，由3)中的步骤计算点对之间连边存在的概率值，将各点对概率值与真实连边相比，得到该模型参数情况下的损失值，计算损失值的平均值作为这批数据的损失值，并利用梯度下降算法对模型参数进行更新；5).利用模型训练好的参数，对新的连边进行预测，包括：对于要预测的连边，输入该连边对应的点对，输入训练好的模型中，得到该点对之间存在连边的概率值P，若P≥0.5，则预测该连边存在，否则预测为不存在；6).在3.3)所述注意力模型中，并行计算多个注意力权重分布，在3.3)的基础上包含以下步骤：6.1).第一层计算K1个注意力分布，在此基础上采用平均的方式得到节点和其一阶邻居的更新向量，具体如下：6.2).第二层计算K2个注意力分布，在此基础上采用拼接的方式得到节点的更新向量，具体如下：