CN116501924A - 一种基于鲁棒增强损失函数的图链路预测方法 - Google Patents

一种基于鲁棒增强损失函数的图链路预测方法 Download PDF

Info

Publication number
CN116501924A
CN116501924A CN202310744052.9A CN202310744052A CN116501924A CN 116501924 A CN116501924 A CN 116501924A CN 202310744052 A CN202310744052 A CN 202310744052A CN 116501924 A CN116501924 A CN 116501924A
Authority
CN
China
Prior art keywords
matrix
node
graph
link
transmission
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.)
Granted
Application number
CN202310744052.9A
Other languages
English (en)
Other versions
CN116501924B (zh
Inventor
毛新华
王晨旭
张洪岭
李�灿
茹媛祯
张鹏
马龙
车玲
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.)
Hefei Zhongke Cloud Technology Co ltd
Original Assignee
Hefei Zhongke Cloud Technology Co ltd
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 Hefei Zhongke Cloud Technology Co ltd filed Critical Hefei Zhongke Cloud Technology Co ltd
Priority to CN202310744052.9A priority Critical patent/CN116501924B/zh
Publication of CN116501924A publication Critical patent/CN116501924A/zh
Application granted granted Critical
Publication of CN116501924B publication Critical patent/CN116501924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于鲁棒增强损失函数的图链路预测方法，涉及计算机图像传输领域，包括；该基于鲁棒增强损失函数的图链路预测方法，通过基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理，在T‑GCN模型中，上述归一化处理后的矩阵即为输入，而在E‑GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。

Description

一种基于鲁棒增强损失函数的图链路预测方法
技术领域
本发明涉及计算机图像传输技术，具体涉及一种基于鲁棒增强损失函数的图链路预测方法。
背景技术
在社交网络、推荐系统、生物学等领域，应用可表示为图流，即一种大规模的、高度动态的图结构。在图流中，节点和边以流的形式动态地到达和接收，且到达速度非常快。图流可以看作图和数据流的结合，因此类似于数据流，图流中的每条边只能被处理一次。
在以图流表示的应用中，广泛使用到了链路预测的方法。由于真实世界的图流规模太大，很难存储在内存甚至是硬盘上，并且图流中的边只能被处理一次，传统的链路预测方法在图流场景中遇到了很大的挑战。首先，由于图流规模庞大，不仅会消耗大量的存储空间，在整个图流中进行链路预测会导致链路预测的效率不高，预测时会有一定程度的延迟，不能做到实时的链路预测。为解决由于图流规模庞大而导致的预测效率低的问题，现有的链路预测方法基本上都会对图流进行采样，以减少存储成本，并提升算法效率，但是，采样会丢失图的信息，这会导致在链路预测的准确性得不到保证。
申请号为201910141425.7的中国专利公开了一种图流中针对节点的链路预测方法，包括：持续动态地对图流进行采样以得到样本图，并获得样本图中各节点的邻接点集合的索引结构作为对应节点的索引节点集；若目标节点未被查询过，则过滤掉图流中与其相似度为0的节点，从而得到由剩余节点构成的候选节点集；否则，获得上一查询时刻至当前查询时刻之间与目标节点的相似度增大的所有节点，并加入到上次查询到的节点集合中，从而得到候选节点集；根据样本图及索引节点集，计算候选节点集中各节点与目标节点的相似度，以筛选出与目标节点的相似度最高的top-k个节点，从而完成针对目标节点的链路预测。本发明能够在图流中实现针对节点的链路预测，并提高链路预测的效率和准确率。
现有技术未开展鲁棒性分析研究，不仅无法预估模型应用表现、优化安全设计、更能帮助研究人员理解模型决策过程的问题。
发明内容
本发明的目的是提供一种基于鲁棒增强损失函数的图链路预测方法，以解决现有技术未开展鲁棒性分析研究，不仅无法预估模型应用表现、优化安全设计、更能帮助研究人员理解模型决策过程的问题。
为了实现上述目的，本发明提供如下技术方案：一种基于鲁棒增强损失函数的图链路预测方法，所述图链路预测方法为：
S1，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M；
S2，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理；
S3，在T-GCN模型中，上述归一化处理后的矩阵即为输入，而在E-GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵；
S4，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练；
S5，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
进一步地，所述图链路相关数据包括图链路时空网络模型数据，所述图链路时空网络模型数据的分析方法为：
A1，首先需要基于图像传输的OD数据来还原其出行的整条传输路线，若从传输端到接收端的路线不止一条，则根据图像传输的传输行为和接收端作为筛选标准来选择路线，所述筛选标准包括最短线路、最少线路转换次数、最短线路转换时间，如果仍有多条线路符合上述筛选标准，则从这些线路中随机选择一条；
A2，估计图像离开传输线路的第一个传输节点的时间，图像进入传输节点后，需要传输一段时间才能到节点输出端，可利用公式计算图像的出发时间；
A3，计算图像经过任意两个相邻传输节点所用的时间。
进一步地，所述图链路相关数据还包括图链路级联失效模型数据，所述图链路级联失效模型数据的分析方法为：
B1，每个节点都有一个在区间[0，1]内随机选择的阈值θi，该阈值表示受到其他节点影响的难易程度；
B2，指定初始的失效节点；
B3，节点在时间步t0+1状态的变化；
B4，通过设定鲁棒性度量指标R（t）评估级联失效规模对网络鲁棒性的动态影响。
进一步地，所述链路网络G的构建方法为：
C1，利用L-Space方法构建传输线路网络中传输线路信息；
C2，传输线路网络可以形式化为无向不加权图G；
C3，用邻接矩阵A来表示节点之间的连接关系。
进一步地，所述特征矩阵的构建方法为：
D1，将传输线路节点的图像传输量视为G中节点的属性特征；
D2，计算每个数据传输节点在时间t时的数据传输量；
D3，学习映射函数f；
D4，下一个T时刻站点的图像传输量。
进一步地，所述图链路预测方法为，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理，在T-GCN模型中，上述归一化处理后的矩阵即为输入，而在E-GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵/>，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
与现有技术相比，本发明提供的一种基于鲁棒增强损失函数的图链路预测方法，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理，在T-GCN模型中，上述归一化处理后的矩阵即为输入，而在E-GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵/>，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
附图说明
为了更清楚地说明本申请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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的整体预测结构示意图；
图2为本发明实施例提供的时间步t0节点影响结构示意图；
图3为本发明实施例提供的时间步t0+1节点影响结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
请参阅图1-2，一种基于鲁棒增强损失函数的图链路预测方法，图链路预测方法为：
S1，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M；
S2，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理；
S3，在T-GCN模型中，上述归一化处理后的矩阵即为输入，而在E-GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵；
可归纳为公式：
其中Ф是提高自身节点权重比的系数，IN为单位矩阵。
S4，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练；
S5，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
在训练过程中，目标是最小化数据传输点的实际图片传输量与预测图片传输量之间的误差，其中损失函数为：
其中和/>分别表示数据传输点的实际图片传输量和预测图片传输量，/>用于最小化站点的实际图片传输量和预测图片传输量的误差，Lr是L2正则项，用于防止出现过拟合问题，λ是一个超参数。
图链路相关数据包括图链路时空网络模型数据，图链路时空网络模型数据的分析方法为：
A1，首先需要基于图像传输的OD数据来还原其出行的整条传输路线，若从传输端到接收端的路线不止一条，则根据图像传输的传输行为和接收端作为筛选标准来选择路线，筛选标准包括最短线路、最少线路转换次数、最短线路转换时间，如果仍有多条线路符合上述筛选标准，则从这些线路中随机选择一条；
A2，估计图像离开传输线路的第一个传输节点的时间，图像进入传输节点后，需要传输一段时间才能到节点输出端，可利用公式计算图像的出发时间；
A3，计算图像经过任意两个相邻传输节点所用的时间。
图链路相关数据还包括图链路级联失效模型数据，图链路级联失效模型数据的分析方法为：
B1，每个节点都有一个在区间[0，1]内随机选择的阈值θi，该阈值表示受到其他节点影响的难易程度；
B2，指定初始的失效节点；
B3，节点在时间步t0+1状态的变化；
B4，通过设定鲁棒性度量指标R（t）评估级联失效规模对网络鲁棒性的动态影响。
R（t）通过耦合系数ε来整合最大连通子图的相对大小（LC）和运行效率（OE），具体公式如下：
链其中，表示不同时刻下运行效率的最大值，并且在时间集合[t1，t2，t3，…]应能反映不同时刻图像传输量的差异，F_OE(t)表示网络中有故障节点时网络的运行效率，其中ε计算公式为：
，
其中表示网络节点强度的总和，/>表示在不同时间的图像传输线路时空网络中节点强度总和的最大值。
链路网络,tG的构建方法为：
C1，利用L-Space方法构建传输线路网络中传输线路信息；
C2，传输线路网络可以形式化为无向不加权图G；
C3，用邻接矩阵A来表示节点之间的连接关系。
利用L-Space方法构建，即节点表示数据传输点，边表示两个相邻数据传输点之间的传输路径，传输轨道网络可以形式化为无向不加权图，G=<V，E>，在G中，，分别表示节点集合和边集合，其中N表示数/>据传输点的总数量，用邻接矩阵/>来表示节点之间的连接关系，如果节点υi通过一条边连接到υj，那么αij=1；否则，αij=0。
特征矩阵的构建方法为：
D1，将传输线路节点的图像传输量视为G中节点的属性特征；
D2，计算每个数据传输节点在时间t时的数据传输量；
D3，学习映射函数f；
D4，下一个T时刻站点的图像传输量。
将传输节点的图片传输量视为G中节点的属性特征，表示为MN*P，其中P表示节点属性特征的数量，即历史时间序列的长度，Mt∈RN×i表示每个站点在时间t时的图片传输量，因此，图片传输短时图量预测问题可以理解为是在图像传输网络G和特征矩阵M的前提下，学习映射函数f，然后再去计算下一个T时刻站点的图片传输量，如所示下式：
；
其中n是历史时间序列的长度，T是需要预测的时间序列的长度。
图链路预测方法为，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理，在T-GCN模型中，上述归一化处理后的矩阵即为输入，而在E-GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵/>，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
工作原理：使用时，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理，在T-GCN模型中，上述归一化处理后的矩阵即为输入，而在E-GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵/>，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (6)

1.一种基于鲁棒增强损失函数的图链路预测方法，其特征在于，所述图链路预测方法为：
S1，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M；
S2，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理；
S3，在T-GCN模型中，上述归一化处理后的矩阵即为输入，而在E-GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵；
S4，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练；
S5，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
2.根据权利要求1所述的一种基于鲁棒增强损失函数的图链路预测方法，其特征在于，所述图链路相关数据包括图链路时空网络模型数据，所述图链路时空网络模型数据的分析方法为：
A1，首先需要基于图像传输的OD数据来还原其出行的整条传输路线，若从传输端到接收端的路线不止一条，则根据图像传输的传输行为和接收端作为筛选标准来选择路线，所述筛选标准包括最短线路、最少线路转换次数、最短线路转换时间，如果仍有多条线路符合上述筛选标准，则从这些线路中随机选择一条；
A2，估计图像离开传输线路的第一个传输节点的时间，图像进入传输节点后，需要传输一段时间才能到节点输出端，可利用公式计算图像的出发时间；
A3，计算图像经过任意两个相邻传输节点所用的时间。
3.根据权利要求1所述的一种基于鲁棒增强损失函数的图链路预测方法，其特征在于，所述图链路相关数据还包括图链路级联失效模型数据，所述图链路级联失效模型数据的分析方法为：
B1，每个节点都有一个在区间[0，1]内随机选择的阈值θi，该阈值表示受到其他节点影响的难易程度；
B2，指定初始的失效节点；
B3，节点在时间步t0+1状态的变化；
B4，通过设定鲁棒性度量指标R（t）评估级联失效规模对网络鲁棒性的动态影响。
4.根据权利要求1所述的一种基于鲁棒增强损失函数的图链路预测方法，其特征在于，所述链路网络G的构建方法为：
C1，利用L-Space方法构建传输线路网络中传输线路信息；
C2，传输线路网络可以形式化为无向不加权图G；
C3，用邻接矩阵A来表示节点之间的连接关系。
5.根据权利要求1所述的一种基于鲁棒增强损失函数的图链路预测方法，其特征在于，所述特征矩阵的构建方法为：
D1，将传输线路节点的图像传输量视为G中节点的属性特征；
D2，计算每个数据传输节点在时间t时的数据传输量；
D3，学习映射函数f；
D4，下一个T时刻站点的图像传输量。
6.根据权利要求1所述的一种基于鲁棒增强损失函数的图链路预测方法，其特征在于，所述图链路预测方法为，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理，在T-GCN模型中，上述归一化处理后的矩阵即为输入，而在E-GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵/>，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
CN202310744052.9A 2023-06-25 2023-06-25 一种基于鲁棒增强损失函数的图链路预测方法 Active CN116501924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310744052.9A CN116501924B (zh) 2023-06-25 2023-06-25 一种基于鲁棒增强损失函数的图链路预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310744052.9A CN116501924B (zh) 2023-06-25 2023-06-25 一种基于鲁棒增强损失函数的图链路预测方法

Publications (2)

Publication Number Publication Date
CN116501924A true CN116501924A (zh) 2023-07-28
CN116501924B CN116501924B (zh) 2023-09-01

Family

ID=87323387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310744052.9A Active CN116501924B (zh) 2023-06-25 2023-06-25 一种基于鲁棒增强损失函数的图链路预测方法

Country Status (1)

Country Link
CN (1) CN116501924B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010250377A (ja) * 2009-04-10 2010-11-04 Internatl Business Mach Corp <Ibm> リンク予測システム、方法及びプログラム
US20200342523A1 (en) * 2019-04-23 2020-10-29 Target Brands, Inc. Link prediction using hebbian graph embeddings
CN112417219A (zh) * 2020-11-16 2021-02-26 吉林大学 基于超图卷积的超边链接预测方法
CN112580728A (zh) * 2020-12-22 2021-03-30 浙江工业大学 一种基于强化学习的动态链路预测模型鲁棒性增强方法
CN114567598A (zh) * 2022-02-25 2022-05-31 重庆邮电大学 一种基于深度学习和跨域协作的负载均衡方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010250377A (ja) * 2009-04-10 2010-11-04 Internatl Business Mach Corp <Ibm> リンク予測システム、方法及びプログラム
US20200342523A1 (en) * 2019-04-23 2020-10-29 Target Brands, Inc. Link prediction using hebbian graph embeddings
CN112417219A (zh) * 2020-11-16 2021-02-26 吉林大学 基于超图卷积的超边链接预测方法
CN112580728A (zh) * 2020-12-22 2021-03-30 浙江工业大学 一种基于强化学习的动态链路预测模型鲁棒性增强方法
CN114567598A (zh) * 2022-02-25 2022-05-31 重庆邮电大学 一种基于深度学习和跨域协作的负载均衡方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王慧;乐孜纯;龚轩;武玉坤;左浩;: "基于特征分类的链路预测方法综述", 计算机科学, no. 08 *
蔡菲;张鑫;牟晓慧;陈杰;蔡?;: "深度非负矩阵分解的链路预测方法研究", 计算机工程与应用, no. 15 *

Also Published As

Publication number Publication date
CN116501924B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN111159425B (zh) 基于历史关系和双图卷积网络的时态知识图谱表示方法
CN111462282B (zh) 一种场景图生成方法
CN110837602B (zh) 基于表示学习和多模态卷积神经网络的用户推荐方法
CN110955780A (zh) 一种用于知识图谱的实体对齐方法
CN110164129B (zh) 基于gernn的单交叉口多车道交通流量预测方法
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN109523021A (zh) 一种基于长短时记忆网络的动态网络结构预测方法
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN115622902B (zh) 基于网络结构和节点价值的电信网节点重要度计算方法
CN117237559B (zh) 面向数字孪生城市的三维模型数据智能分析方法及系统
CN110533253A (zh) 一种基于异构信息网络的科研合作关系预测方法
CN113297429B (zh) 一种基于神经网络架构搜索的社交网络链路预测方法
Ai et al. A deep learning approach to predict the spatial and temporal distribution of flight delay in network
CN110263236A (zh) 基于动态多视图学习模型的社交网络用户多标签分类方法
CN112365191A (zh) 一种基于台风-暴雨-洪涝链式灾害的风险度量方法
CN112949748A (zh) 基于图神经网络的动态网络异常检测算法模型
CN114584406A (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
Wang et al. Correlated time series self-supervised representation learning via spatiotemporal bootstrapping
CN116501924B (zh) 一种基于鲁棒增强损失函数的图链路预测方法
CN116226467A (zh) 基于节点结构特征的图卷积神经网络的社区发现方法
CN110633394A (zh) 基于特征加强的图压缩方法
CN115953902A (zh) 一种基于多视图时空图卷积网络的交通流预测方法
Sun et al. Automatic building age prediction from street view images
CN113343041B (zh) 基于图模型表示学习的消息回复关系判断系统

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