CN114745290B - 一种基于量子游走的链路预测方法及系统 - Google Patents

一种基于量子游走的链路预测方法及系统 Download PDF

Info

Publication number
CN114745290B
CN114745290B CN202210491458.6A CN202210491458A CN114745290B CN 114745290 B CN114745290 B CN 114745290B CN 202210491458 A CN202210491458 A CN 202210491458A CN 114745290 B CN114745290 B CN 114745290B
Authority
CN
China
Prior art keywords
link
node
quantum
network
operator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210491458.6A
Other languages
English (en)
Other versions
CN114745290A (zh
Inventor
梁文
闫飞
陈克寒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun University of Science and Technology
Original Assignee
Changchun University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changchun University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN202210491458.6A priority Critical patent/CN114745290B/zh
Publication of CN114745290A publication Critical patent/CN114745290A/zh
Application granted granted Critical
Publication of CN114745290B publication Critical patent/CN114745290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种基于量子游走的链路预测方法及系统，涉及网络链路预测领域，方法包括：根据待预测复杂网络中各节点的通信关系确定网络图；获取节点集合中任意一个节点的邻居节点集合；根据邻居节点集合构造量子游走的硬币算符；根据邻居节点集合构造量子游走的移位算符；根据硬币算符和移位算符构造量子游走的演化算符；基于初始时刻粒子的量子态，采用演化算符演化t次后，获得网络图上当前时刻的量子态；根据演化算符和当前时刻的量子态确定网络图中任意链路预测值；根据各链路的预测值确定待预测复杂网络的预测链路或已丢失链路。本发明降低了链路预测的资源消耗。

Description

一种基于量子游走的链路预测方法及系统
技术领域
本发明涉及复杂网络预测技术领域，特别是涉及一种基于量子游走的链路预测方法及系统。
背景技术
复杂网络最小的组成单位是节点和依赖节点而存在的链路，当节点代表人，链路代表人与人之间的社交关系时，复杂网络则是对真实社会的一种映射，复杂网络包罗万象，它广泛地描述了存在普遍联系的一切事物，已经成为一种解决实际问题的科学思想，蛋白质及其互锁关系、论文及其引用和他引关系、以及武器装备间的协调配合关系都可以抽象为复杂网络，链路预测则是复杂网络上的一项基础问题，其目的在于预测复杂网络中未来可能存在的或已经丢失的链路，在社交媒体中，系统常会根据用户朋友圈的好友为用户推荐可能认识的人；在蛋白质网络中，研究人员会根据蛋白质节点相似性挖掘蛋白质网络的功能模块，这些都是链路预测在复杂网络中真实的应用场景。
目前，节点间的相似性计算是链路预测的核心依据，相关方法可以分为基于局部结构的、基于全局结构的以及带有拓扑结构信息启发的方法，首先局部方法的预测精度普遍低于全局方法，而全局方法虽精度高于基于局部的链路预测方法，但其耗时久，在实际应用问题中的使用受限，带有拓扑结构信息启发的链路预测方法高度依赖网络的拓扑特性，例如利用网络的社区结构作为启发信息，这将导致其在链路预测的求解精度上表现不稳定。
发明内容
本发明的目的是提供一种基于量子游走的链路预测方法及系统，降低了链路预测的资源消耗。
为实现上述目的，本发明提供了如下方案：
一种基于量子游走的链路预测方法，包括：
根据待预测复杂网络中各节点的通信关系确定网络图，所述网络图包括节点集合V和链路集合E；
获取所述节点集合中任意一个节点的邻居节点集合；
根据所述邻居节点集合构造量子游走的硬币算符；所述硬币算符用于将节点间相似性作为链路预测的启发信息；
根据所述邻居节点集合构造量子游走的移位算符；所述移位算符用于表示所述待预测复杂网络的连通性；
根据所述硬币算符和所述移位算符构造量子游走的演化算符；
在所述网络图的各节点上均初始化一个粒子，基于初始时刻粒子的量子态，采用所述演化算符演化t次后，获得所述网络图上当前时刻的量子态；所述量子态为所述网络图上所有粒子的量子态；
根据所述演化算符和当前时刻的量子态确定所述网络图中任意链路预测值；
根据各链路的预测值确定所述待预测复杂网络中可能存在的链路或已丢失链路；所述预测链路或所述丢失链路不属于所述网络链路集合E。
可选地，根据所述邻居节点集合构造量子游走的硬币算符，具体包括：
元素Cj,k为所述硬币算符C中第j行，第k列的元素，
Figure BDA0003631153300000021
其中，δj,k表示节点j和节点k之间是否存在链路的函数，δj,k＝1表示节点j和节点k之间存在链路，δj,k＝0表示节点j和节点k之间不存在链路，Γ(j,k)表示节点j和节点k共同邻居的集合。
可选地，所述移位算符的计算公式为：
Figure BDA0003631153300000022
其中，S表示所述移位算符，N表示网络中全部节点的数量，S的计算公式中0表示粒子在当前节点j上围绕当前节点j行走，1表示粒子在当前节点j上朝向当前节点j的邻居行走，k表示所述邻居节点集合中当前节点j的最近邻中的节点，N(j)表示所述邻居节点集合。
可选地，所述根据所述硬币算符和所述移位算符构造量子游走的演化算符，具体包括：
Figure BDA0003631153300000031
其中U表示所述演化算符，S表示所述移位算符，C表示所述硬币算符，I表示单位矩阵，
Figure BDA0003631153300000032
表示张量积运算。
可选地，所述在所述网络图的各节点上均初始化一个粒子，基于初始时刻粒子的量子态，采用所述演化算符演化t次后，获得所述网络图上当前时刻的量子态；所述量子态为所述网络图上所有粒子的量子态，具体包括：
|ψ(t)>＝Ut|ψ(0)>，其中，|ψ(t)>表示为演化t次后所述网络图上当前时刻的量子态，U表示所述演化算符，|ψ(0)>表示所述初始时刻粒子的量子态。
可选地，根据所述演化算符和当前时刻的量子态确定所述网络图中任意链路预测值，具体包括：
根据公式
Figure BDA0003631153300000033
计算任意链路e(j,k)的预测值；
Figure BDA0003631153300000034
其中，e(j,k)表示节点j到节点k的链路，Pe(j,k)表示e(j,k)的预测值，
Figure BDA0003631153300000035
为
Figure BDA0003631153300000036
的共轭转置，
Figure BDA0003631153300000037
表示张量积运算，
Figure BDA0003631153300000038
表示节点j对应的标准正交基，c＝{0,1}，Γ(j,k)表示节点j和节点k的共同邻居，e(j,k)不是网络链路集合E中元素。
可选地，所述根据各链路的预测值确定所述待预测复杂网络的预测链路或已丢失链路，具体包括：
将各所述预测值从高到低进行排序，将预测值的前L项对应的链路作为所述预测链路或已丢失链路。
可选地，所述待预测复杂网络包括社交网络。
本发明公开了一种基于量子游走的链路预测系统，包括：
网络图确定模块，用于根据待预测复杂网络中各节点的通信关系确定网络图，所述网络图包括节点集合V和链路集合E；
邻居节点集合确定模块，用于获取所述节点集合中任意一个节点的邻居节点集合；
硬币算符确定模块，用于根据所述邻居节点集合构造量子游走的硬币算符；所述硬币算符用于将节点间相似性作为链路预测的启发信息；
移位算符确定模块，用于根据所述邻居节点集合构造量子游走的移位算符；所述移位算符用于表示所述待预测复杂网络的连通性；
演化算符确定模块，用于根据所述硬币算符和所述移位算符构造量子游走的演化算符；
演化算符演化模块，用于在所述网络图的各节点上均初始化一个粒子，基于初始时刻粒子的量子态，采用所述演化算符演化t次后，获得所述网络图上当前时刻的量子态；所述量子态为所述网络图上所有粒子的量子态；
预测值确定模块，用于根据所述演化算符和当前时刻的量子态确定所述网络图中任意链路预测值；
预测链路或已丢失链路确定模块，用于根据各链路的预测值确定所述待预测复杂网络的预测链路或已丢失链路；所述预测链路或所述丢失链路不属于所述网络链路集合E。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于量子游走的链路预测方法，针对无向复杂网络，将节点的邻域视为整体以压缩粒子行走空间的维度，将节点间相似性作为链路评分的启发信息包含在硬币算符中，将网络的全局连通性信息囊括在移位算符内，并将测量结果表示为链路的最终得分而无需对链路的两端节点单独测量，整个计算过程耗时短，并且能够精准的预测出复杂网络可能存在的链路或已丢失链路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于量子游走的链路预测方法流程示意图；
图2为本发明实例所采用的复杂网络示意图；
图3为本发明一种基于量子游走的链路预测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于量子游走的链路预测方法及系统，降低了链路预测的资源消耗。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种基于量子游走的链路预测方法流程示意图，如图1所示，一种基于量子游走的链路预测方法，包括：
步骤101：根据待预测复杂网络中各节点的通信关系确定网络图，所述网络图包括节点集合V和链路集合E。
网络图表示为G(V,E)。
步骤102：获取所述节点集合中任意一个节点的邻居节点集合。
以节点j为例，j是集合V中的任意节点；若将节点j的最近邻居视为一个整体，此时粒子从节点j出发，其行走的可能方向仅能为围绕节点j自身行走以及朝向节点j的邻居行走，即粒子在节点j上可选择的行走方向数等于2；对集合V中的每个节点执行上述操作，每个节点均有2个可选择的行走方向，因此粒子在网络G上行走空间的维度等于二倍的网络节点数；由此可见，将节点邻域视为一个整体的思想压缩了粒子的行走空间维度；除此以外，粒子围绕当前节点j自身行走相当于为V中每个节点添加自环，该自环能够保证粒子在移动过程中以更高的概率停留在当前节点自身，从而降低粒子在邻域节点和自身间重复访问所带来的负面作用。任意节点的可选择行走方向仅为2，粒子在图G上的行走空间维度无需随节点最近邻数量不同而做累加。
获取邻居节点集合的处理办法压缩了粒子在图G上的行走空间维度，使整个空间维度仅为2倍的节点数；若不对粒子的行走空间维度压缩，粒子在图G上的行走空间则为全部节点度的加总；尤其在稠密网络中，对空间的压缩效率更为明显，节省了发明方法所耗费的空间资源。
步骤103：根据所述邻居节点集合构造量子游走的硬币算符；所述硬币算符用于将节点间相似性作为链路预测的启发信息。
其中，步骤103具体包括：
元素Cj,k为所述硬币算符C中第j行，第k列的元素，
Figure BDA0003631153300000061
其中，δj,k表示节点j和节点k之间是否存在链路的函数，δj,k＝1表示节点j和节点k之间存在链路，δj,k＝0表示节点j和节点k之间不存在链路，Γ(j,k)表示节点j和节点k的共同邻居的集合。
构造硬币算符C的过程中，将节点间的连通性信息、节点间的相似性信息带入其中；硬币算符在基于量子游走链路预测方法中的作用是驱动粒子在图G上游走，将上述信息带入硬币算符，意味着粒子在行走过程中将朝着有利于相似性评价结果的方向行走。
将节点间是否存在链路的信息以及节点间共同邻居占比作为启发信息置入量子游走，使粒子在图G上的行走沿着有利于节点相似性评价的结果靠拢。
步骤104：根据所述邻居节点集合构造量子游走的移位算符；所述移位算符用于表示所述待预测复杂网络的连通性。
所述移位算符的计算公式为：
Figure BDA0003631153300000062
其中，S表示所述移位算符，N表示网络(网络图G)中全部节点的数量，S的计算公式中0表示粒子在当前节点j上围绕当前节点j行走，1表示粒子在当前节点j上朝向当前节点j的邻居行走，k表示所述邻居节点集合中当前节点j的最近邻中的节点，N(j)表示所述邻居节点集合。
构造量子游走的移位算符S时，其目的一方面在于实现粒子从当前节点沿着可选择行走方向移动，另一方面是使得粒子在行走的过程中以节点的度数作启发，使量子游走方法的概率振幅朝向相似性高的链路所在的节点靠拢。
移位算符的构建实现粒子在压缩空间中移动的同时，将节点的度值作为粒子行走的偏好，以放大高度值节点在链路预测中的得分以进一步提升基于量子游走方法在链路预测中的精度；此外，构造的移位算符在计算结果上呈现出独特的规律性，其结果可视为由四个行列数相等的方阵构成的分块矩阵，其中位于主对角线的2个矩阵分别为单位阵和包含网络连通信息的矩阵，副对角线处的矩阵均为零矩阵，此计算结果的所呈现的规律可以极大降低量子游走方法在构造移位算符上所耗费的计算资源。
步骤105：根据所述硬币算符和所述移位算符构造量子游走的演化算符。
其中，步骤105具体包括：
Figure BDA0003631153300000071
其中U表示所述演化算符，S表示所述移位算符，C表示所述硬币算符，I表示单位矩阵，
Figure BDA0003631153300000072
表示张量积运算。
利用硬币算符C和移位算符S的乘积构造量子游走方法的演化算符U，U的作用是模拟粒子在图G节点上移动的全部轨迹，每一次演化则为态向量|ψ>同演化算符U的一次乘积，当发生t次演化时，粒子在图G节点上的移动情况则记录为态向量|ψ>同演化算符U的t次幂的乘积。
步骤106：在所述网络图的各节点上均初始化一个粒子，基于初始时刻粒子的量子态，采用所述演化算符演化t次后，获得所述网络图上当前时刻的量子态；所述量子态为所述网络图上所有粒子的量子态。
其中，步骤106具体包括：
|ψ(t)>＝Ut|ψ(0)>，其中，|ψ(t)>表示为演化t次后所述网络图上当前时刻的量子态，U表示所述演化算符，|ψ(0)>表示所述初始时刻粒子的量子态，|ψ(t)>的长度和粒子行走所依赖的可移动空间维度相等，均等于二倍的网络节点数。
演化算符模拟粒子在图G节点上的演化，该演化过程一方面包含了网络全局的连通性信息，另一方面采用有限步行走限定粒子行走的长度及范畴，使其在在全局拓扑结构基础上执行局部行走，如此计算提高了量子游走方法在链路预测中的精度。
步骤107：根据所述演化算符和当前时刻的量子态确定所述网络图中任意链路预测值。
其中，步骤107具体包括：
根据公式
Figure BDA0003631153300000081
计算任意链路e(j,k)的预测值；
Figure BDA0003631153300000082
其中，e(j,k)表示节点j到节点k的链路，Pe(j,k)表示e(j,k)的预测值，
Figure BDA0003631153300000083
为
Figure BDA0003631153300000084
的共轭转置，
Figure BDA0003631153300000085
表示张量积运算，
Figure BDA0003631153300000086
表示节点j对应的标准正交基，标正交准基是仅有一个元素为1其他元素均为0的列向量，c＝{0,1}，Γ(j,k)表示节点j和节点k的共同邻居，e(j,k)不是网络链路集合E中元素。
量子测量过程是量子游走方法对网络G中全部可能链路打分的过程，具体而言，该过程利用演化结果在一条链路上的两端节点的投影来表示链路的分数；由此，来预测复杂网络丢失的链路或可能存在的链路，即使用本发明的量子游走方法完成链路预测任务。
通过计算节点j经t步演化后的投影为链路e(j,k)打分，其中对节j的测量结果即可代表e(j,k)整条链路，因为节点j和节点k的共同邻居信息已包含其中作为测量结果的调控系数，无需单独对一条链路两端节点单独评分再整合，显著减少了本发明在链路预测中的计算资源消耗。
步骤108：根据各链路的预测值确定所述待预测复杂网络的预测链路(未来可能存在的链路)或已丢失链路；所述预测链路或所述丢失链路不属于所述网络链路集合E。
对于社交网络，预测的结果包括预测用户A和用户B之间会相互关注，或者之前用户A和用户B之间原本存在相互关注关系，被误删除了，那么预测结果即为用户A和用户B对应的丢失链路。
其中，步骤108具体包括：
将各所述预测值从高到低进行排序，将预测值的前L项对应的链路作为所述预测链路或已丢失链路。
L为预设值，比如，已知待预测复杂网络中丢失了2个链路，采用本发明方法预测丢失的2个链路，那么L＝2。
所述待预测复杂网络包括社交网络。本发明一种基于量子游走的链路预测方法用于预测未来出现的新的链路或现有待预测复杂网络中误删除的链路(丢失链路)。
本发明在复杂网络中判断链路存在的可能性要依靠节点间相似性，相似性高的节点间存在链路的可能性则更大；本发明首创性地将节点的邻域视为整体以压缩粒子行走空间的维度，将节点间相似性作为链路评分的启发信息包含在硬币算符中，将网络的全局连通性信息囊括在移位算符内，并将测量结果表示为链路的最终得分而无需对链路的两端节点单独测量，整个计算过程耗时短，并且能够精准的预测出复杂网络丢失链路。
下面以具体实施例说明本发明一种基于量子游走的链路预测方法预测的准确性。
S1、通过已知的复杂网络G(V,E)获得网络G对应的邻接矩阵A，Aj,k表示矩阵A中第j行第k列对应的元素；该元素的值仅能为0或1，其用于记录节点j和k之间是否存在链路。邻接矩阵A乘以邻接矩阵A的结果A2则为节点间共同邻居信息构成的矩阵，A2 j,k则表示节点j和节点k之间共同邻居的数量。
需要说明的是复杂网络G可以从开源网络获取，可以采用Python编程语言生成随机网络，亦可以通过编写爬虫程序自具有社交功能的网络平台合法地爬取，本实例所采用的示例网络来自于著名开源网络数据集，空手道俱乐部，如图2所示，该复杂网络由34个节点78条链路组成。
设置一个随机数rand，rand的取值范围为0至1之间的小数，它用来划分网络G中链路的集合E，E将被划分为训练链路集ET和预测链路集EP，在本实例中，rand值等于0.9，这意味着E中90％链路被作为训练链路，而其余10％被移除，作为丢失的链路或未来可能存在的链路；该部分获取网络的邻接矩阵、包含共同邻居信息的矩阵以及预划分网络数据的链路。
S2、压缩粒子在图G上可选择的行走空间维度，具体方法为：将节点j的最近邻域节点视为一个整体，并对节点j添加自环，这样量子游走方法中的粒子在节点j上可选择的行走方向仅能是围绕节点j自身行走以及朝向其邻居行走，共2个可选择行走方向；若对网络G中每个节点均执行如上的处理办法，那么粒子在全局的可选择移动方向等于2倍的网络节点总数，即2|V|。
2|V|在本实例中的作用为：确定硬币算符、移位算符和演化算符的行列数均为2|V|，且态向量的长度等于2|V|，它是量子游走方法中全部向量和矩阵的规模的确定依据。
S3、构造行列数均等于2倍网络节点数量的硬币算符C，其计算过程为：累加邻接矩阵所包含的节点对之间的0、1值和包含共同邻居信息的矩阵A2，计算方法为：
Figure BDA0003631153300000101
Cj,k为硬币算符C中的元素，换言之硬币算符中的每个元素的值均由该方法确定。
S4、构造行列数均等于2|V|的移位算符S，该过程需要预先定义三个行列数均为网络节点总数的矩阵，再通过拼接完成移位算符的构造。
定义行列数等于G中节点总数的零矩阵null；定义行列数等于G中节点总数的单位矩阵identity；根据节点的度信息构造包含网络G连通性的矩阵shift，shift矩阵的计算方法为：
Figure BDA0003631153300000102
其中，|V|表示网络G的节点总数；Aj,*表示邻接矩阵A的第j行。当零矩阵null、单位矩阵identity以及包含网络连通性的矩阵shift均完成定义，此时拼接三个矩阵，使其构成一个行列数为二倍网络G中节点数量的分块矩阵S，计算方法为：
Figure BDA0003631153300000111
由此可以获得量子游走方法的移位算符S。
S5、根据步骤S2和S3所述的硬币算符和移位算符，进一步构造量子游走方法的演化算符U，计算方法为：
Figure BDA0003631153300000112
其中，I为单位矩阵，符号
Figure BDA0003631153300000113
表示张量积运算；在使用演化算符t次后，粒子行走结果的计算方法为：
|ψ(t)>＝Ut|ψ(0)> (5)
其中，|ψ>为代表整个网络的量子态，|ψ(0)>代表初始时刻粒子未曾行走时的量子态；|ψ>的长度和粒子行走所依赖的可移动空间维度相等，均等于二倍的网络节点数；在本实例中，t的值为2。
在初始时刻，|ψ>的计算方法为：
Figure BDA0003631153300000114
其中，向量(1,0,…,0)T为编号为1的节点对应的标准正交基，其他节点对应的标准基以此类推，均由0和1元素构成，其中仅有一个元素等于1，其他元素均等于0。
S6、预测网络中可能存在的任意一条链路e(j,k)，计算方法为：
Figure BDA0003631153300000115
Figure BDA0003631153300000116
其中，
Figure BDA0003631153300000121
为
Figure BDA0003631153300000122
的共轭转置，Pe(j,k)表示链路e(j,k)作为可能存在的链路或丢失链路的得分。
由此，网络中可能存在的全部链路均将得到一个由量子游走方法计算得到的分值。经过量子游走方法为每条链路打分后，分别从训练链路集ET和预测链路集EP中随机抽取一条链路，若EP中链路分数大于ET中链路的分数，则说明量子游走方法在链路预测上的精度更佳；上述评价过程多称为AUC指标下链路预测方法的精度计算方法。
基于上述对链路预测方法的AUC评价机制，对比已知经典算法：Common Neighbor(共同邻居算法)、Salton(索尔顿算法)、Preferential Attachment(优先链接算法)、Admic-Adar(相似性算法)、Resource Allocation(资源分配算法)、Katz Similarity(卡兹相似性算法)、Cos Similarity(余弦相似性算法)。
本实例的量子游走方法在如图2所示的空手道俱乐部上的实验表现为：
Figure BDA0003631153300000123
显然，本实例中，量子游走方法的预测精度最高，高达0.864。
本实例是针对无向复杂网络，利用量子游走方法预测网络可能存在的链路，该方法将节点间相似性信息作为粒子在图上行走的启发信息，将网络连通性和局部行走同时考虑，并使用单次测量过程替代对一条链路两个节点分别测量的过程，计算所需的时耗短。
除此之外，本发明利用量子游走完成链路预测的任务，为已有非量子方法解决复杂网络结构分析问题提供了新的设计思路，例如量子游走中，粒子在图上的行走是基于全局连通性结构，其预测的结果将包含更为丰富的拓扑信息；在演化过程和测量过程引入了节点的度信息和节点间的相似性信息，为量子游走方法的精度提供了保障。
采用Python语言编写并实现本发明一种基于量子游走的链路预测方法。
图3为本发明一种基于量子游走的链路预测系统结构示意图，如图3所示，一种基于量子游走的链路预测系统，包括：
网络图确定模块201，用于根据待预测复杂网络中各节点的通信关系确定网络图，所述网络图包括节点集合V和链路集合E；
邻居节点集合确定模块202，用于获取所述节点集合中任意一个节点的邻居节点集合；
硬币算符确定模块203，用于根据所述邻居节点集合构造量子游走的硬币算符；所述硬币算符用于将节点间相似性作为链路预测的启发信息；
移位算符确定模块204，用于根据所述邻居节点集合构造量子游走的移位算符；所述移位算符用于表示所述待预测复杂网络的连通性；
演化算符确定模块205，用于根据所述硬币算符和所述移位算符构造量子游走的演化算符；
演化算符演化模块206，用于在所述网络图的各节点上均初始化一个粒子，基于初始时刻粒子的量子态，采用所述演化算符演化t次后，获得所述网络图上当前时刻的量子态；所述量子态为所述网络图上所有粒子的量子态；
预测值确定模块207，用于根据所述演化算符和当前时刻的量子态确定所述网络图中任意链路预测值；
预测链路或已丢失链路确定模块208，用于根据各链路的预测值确定所述待预测复杂网络的预测链路或已丢失链路；所述预测链路或所述丢失链路不属于所述网络链路集合E。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于量子游走的链路预测方法，其特征在于，包括：
根据待预测复杂网络中各节点的通信关系确定网络图，所述网络图包括节点集合V和链路集合E；
获取所述节点集合中任意一个节点的邻居节点集合；
根据所述邻居节点集合构造量子游走的硬币算符；所述硬币算符用于将节点间相似性作为链路预测的启发信息；
根据所述邻居节点集合构造量子游走的移位算符；所述移位算符用于表示所述待预测复杂网络的连通性；
根据所述硬币算符和所述移位算符构造量子游走的演化算符；
在所述网络图的各节点上均初始化一个粒子，基于初始时刻粒子的量子态，采用所述演化算符演化t次后，获得所述网络图上当前时刻的量子态；所述量子态为所述网络图上所有粒子的量子态；
根据所述演化算符和当前时刻的量子态确定所述网络图中任意链路预测值；
根据各链路的预测值确定所述待预测复杂网络的预测链路或已丢失链路；所述预测链路或所述丢失链路不属于所述网络链路集合E。
2.根据权利要求1所述的基于量子游走的链路预测方法，其特征在于，所述根据所述邻居节点集合构造量子游走的硬币算符，具体包括：
元素Cj,k为所述硬币算符C中第j行，第k列的元素，
Figure FDA0003631153290000011
其中，δj,k表示节点j和节点k之间是否存在链路的函数，δj,k＝1表示节点j和节点k之间存在链路，δj,k＝0表示节点j和节点k之间不存在链路，Γ(j,k)表示节点j和节点k的共同邻居的集合。
3.根据权利要求1所述的基于量子游走的链路预测方法，其特征在于，所述移位算符的计算公式为：
Figure FDA0003631153290000021
其中，S表示所述移位算符，N表示网络全部节点数量，S的计算公式中0表示粒子在当前节点j上围绕当前节点j行走，1表示粒子在当前节点j上朝向当前节点j的邻居行走，k表示所述邻居节点集合中当前节点j的最近邻中的节点，N(j)表示所述邻居节点集合。
4.根据权利要求1所述的基于量子游走的链路预测方法，其特征在于，所述根据所述硬币算符和所述移位算符构造量子游走的演化算符，具体包括：
Figure FDA0003631153290000022
其中U表示所述演化算符，S表示所述移位算符，C表示所述硬币算符，I表示单位矩阵，
Figure FDA0003631153290000023
表示张量积运算。
5.根据权利要求1所述的基于量子游走的链路预测方法，其特征在于，所述在所述网络图的各节点上均初始化一个粒子，基于初始时刻粒子的量子态，采用所述演化算符演化t次后，获得所述网络图上当前时刻的量子态；所述量子态为所述网络图上所有粒子的量子态，具体包括：
|ψ(t)>＝Ut|ψ(0)>，其中，|ψ(t)>表示为演化t次后所述网络图上当前时刻的量子态，U表示所述演化算符，|ψ(0)>表示所述初始时刻粒子的量子态。
6.根据权利要求5所述的基于量子游走的链路预测方法，其特征在于，所述根据所述演化算符和当前时刻的量子态确定所述网络图中任意链路预测值，具体包括：
根据公式
Figure FDA0003631153290000024
计算任意链路e(j，k)的预测值;
Figure FDA0003631153290000025
其中，e(j,k)表示节点j到节点k的链路，Pe(j,k)表示e(j,k)的预测值，
Figure FDA0003631153290000026
为
Figure FDA0003631153290000027
的共轭转置，
Figure FDA0003631153290000028
表示张量积运算，
Figure FDA0003631153290000029
表示节点j对应的标准正交基，c＝{0,1}，Γ(j,k)表示节点j和节点k的共同邻居，e(j,k)不是网络链路集合E中元素。
7.根据权利要求1所述的基于量子游走的链路预测方法，其特征在于，所述根据各链路的预测值确定所述待预测复杂网络的预测链路或已丢失链路，具体包括：
将各所述预测值从高到低进行排序，将预测值的前L项对应的链路作为所述预测链路或已丢失链路。
8.根据权利要求1所述的基于量子游走的链路预测方法，其特征在于，所述待预测复杂网络包括社交网络。
9.一种基于量子游走的链路预测系统，其特征在于，包括：
网络图确定模块，用于根据待预测复杂网络中各节点的通信关系确定网络图，所述网络图包括节点集合V和链路集合E；
邻居节点集合确定模块，用于获取所述节点集合中任意一个节点的邻居节点集合；
硬币算符确定模块，用于根据所述邻居节点集合构造量子游走的硬币算符；所述硬币算符用于将节点间相似性作为链路预测的启发信息；
移位算符确定模块，用于根据所述邻居节点集合构造量子游走的移位算符；所述移位算符用于表示所述待预测复杂网络的连通性；
演化算符确定模块，用于根据所述硬币算符和所述移位算符构造量子游走的演化算符；
演化算符演化模块，用于在所述网络图的各节点上均初始化一个粒子，基于初始时刻粒子的量子态，采用所述演化算符演化t次后，获得所述网络图上当前时刻的量子态；所述量子态为所述网络图上所有粒子的量子态；
预测值确定模块，用于根据所述演化算符和当前时刻的量子态确定所述网络图中任意链路预测值；
预测链路或已丢失链路确定模块，用于根据各链路的预测值确定所述待预测复杂网络的预测链路或已丢失链路；所述预测链路或所述丢失链路不属于所述网络链路集合E。
CN202210491458.6A 2022-05-07 2022-05-07 一种基于量子游走的链路预测方法及系统 Active CN114745290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210491458.6A CN114745290B (zh) 2022-05-07 2022-05-07 一种基于量子游走的链路预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210491458.6A CN114745290B (zh) 2022-05-07 2022-05-07 一种基于量子游走的链路预测方法及系统

Publications (2)

Publication Number Publication Date
CN114745290A CN114745290A (zh) 2022-07-12
CN114745290B true CN114745290B (zh) 2023-05-12

Family

ID=82285379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210491458.6A Active CN114745290B (zh) 2022-05-07 2022-05-07 一种基于量子游走的链路预测方法及系统

Country Status (1)

Country Link
CN (1) CN114745290B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111865690A (zh) * 2020-07-21 2020-10-30 南昌航空大学 基于网络结构和时序的机会网络链路预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11455562B2 (en) * 2019-09-17 2022-09-27 International Business Machines Corporation Quantum walk for community clique detection

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111865690A (zh) * 2020-07-21 2020-10-30 南昌航空大学 基于网络结构和时序的机会网络链路预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于连续时间量子游走的链路预测方法研究;钱菁等;《计算机应用研究》;第33卷(第1期);第104-107页 *

Also Published As

Publication number Publication date
CN114745290A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
US20210287138A1 (en) Learning to simulate and design for structural engineering
CN112221159B (zh) 一种虚拟道具推荐方法、装置及计算机可读存储介质
CN108594858B (zh) 马尔科夫运动目标的无人机搜索方法及装置
US12051233B2 (en) Method for filtering image feature points and terminal
CN110337616A (zh) 用于对工业资产性能持续地进行建模的系统和方法
CN108304933A (zh) 一种知识库的补全方法及补全装置
CN111832615A (zh) 一种基于前景背景特征融合的样本扩充方法及系统
Kiran et al. Hyperparameter tuning for deep reinforcement learning applications
CN112214689A (zh) 基于社交网络中群体的影响力最大化方法及系统
CN111651538B (zh) 一种位置映射方法、装置、设备及可读存储介质
CN107766583A (zh) 基于子图划分的知识图谱降维表达方法
CN104657626A (zh) 一种利用文本数据构建蛋白质相互作用网络的方法
CN110895879A (zh) 同行车的检测方法及装置、存储介质、电子装置
Wu et al. Smartidx: Reducing communication cost in federated learning by exploiting the cnns structures
CN110110154B (zh) 一种图文件的处理方法、装置及存储介质
CN115203550A (zh) 一种增强邻居关系的社交推荐方法及系统
CN115586444A (zh) 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法
CN114745290B (zh) 一种基于量子游走的链路预测方法及系统
CN110059342A (zh) 一种锂离子电池p2d模型的参数估计方法
Arora et al. Online inverse reinforcement learning under occlusion
CN116822702A (zh) 碳排放预测方法、装置、计算机设备和存储介质
US20170046387A1 (en) Method and apparatus for querying nondeterministic graph
CN115544307A (zh) 基于关联矩阵的有向图数据特征提取与表达方法和系统
Merchant et al. Disparity, Inequality, and Accuracy Tradeoffs in Graph Neural Networks for Node Classification
CN118330469B (zh) 基于时态图神经网络的锂离子电池健康状态估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant