CN117151279A - 一种基于线图神经网络的同构网络链路预测方法及系统 - Google Patents
一种基于线图神经网络的同构网络链路预测方法及系统 Download PDFInfo
- Publication number
- CN117151279A CN117151279A CN202311025770.7A CN202311025770A CN117151279A CN 117151279 A CN117151279 A CN 117151279A CN 202311025770 A CN202311025770 A CN 202311025770A CN 117151279 A CN117151279 A CN 117151279A
- Authority
- CN
- China
- Prior art keywords
- link
- node
- network
- graph
- line graph
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 63
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005295 random walk Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000005491 wire drawing Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000003068 static effect Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 23
- 238000012360 testing method Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000002679 ablation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 241000244206 Nematoda Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004850 protein–protein interaction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于线图神经网络的同构网络链路预测方法及系统，涉及网络链路预测领域，旨在通过深度学习技术自动挖掘、学习静态同构网络中有利于链路预测的特征信息，用于同构网络上的链路预测任务，且在学习的过程中需要采取方法尽量减少信息损失，提升同构网络上链路预测的精度。本发明采用基于深度学习的方法解决了针对复杂网络中的同构信息网络下的链路预测问题，本发明提出了利用线图神经网络的同构网络链路预测算法NLG‑GNN。该方法通过提取出局部子图的方式来处理大规模网络，能进一步通过线图转换，将链路信息聚集在一个线图节点中，减少信息损失。结合图神经网络和图嵌入方法获取线图中节点的结构特征和潜在特征，进而完成链路预测任务。
Description
技术领域
本发明涉及网络链路预测领域，具体涉及一种基于线图神经网络的同构网络链路预测方法及系统。
背景技术
在当今社会中，网络结构无处不在，且随着大数据相关技术的不断进步，人们所发掘的网络数据信息规模更大、种类更多，抽象出的网络结构也愈发复杂。在复杂网络上完成链路预测任务需要更充分地挖掘有用的网络信息。现有的基于深度学习技术的同构网络链路预测方法主要存在两个方面的问题：(1)预测精度较高的方法复杂度往往很高，对于大规模网络结构无法处理；(2)在利用学习到的特征信息时，会造成一定的信息损失，影响预测效果。
在日常生活的各个领域中，不同类型的实体间不同的交互关系，形成复杂的关系系统，将复杂系统用复杂网络表示后，进一步可以通过相关的信息挖掘技术从复杂网络中提取出有效的信息，从而完成网络结构上进行的相关任务，如链路预测(LinkPrediction)、知识图谱补全、推荐系统等。链路预测任务的定义为：在网络结构上，利用所能观测到的网络中的节点信息、结构信息，判断网络中两节点间存在一条链路的可能性。由于网络结构的普遍存在，链路预测在实际生活中的应用十分广泛，具有重要的研究意义和价值。传统方法大都基于节点间的相似性进行链路预测，即根据网络自身的特性选取节点相似性指标，两节点的相似度指标越高，则认为存在链路的可能性越大。该类方法需要人工分析来设计评价指标，且基于较强的假设，因此对于不同领域的网络结构不具有普适性。另一类方法会利用整个网络的结构计算该网络的似然值，通过最大化网络似然判断链路存在的可能性，该类方法往往复杂度很高、耗时长，不能适用于大规模的网络。随着深度学技术的不断发展，许多学者开始尝试利用深度学习算法解决链路预测问题，该类方法能够自动学习网络中的信息用于完成预测任务。
文献号为CN112115377A的现有技术公开了一种基于社交关系的图神经网络链路预测推荐方法，建立用户——物品二部图，根据用户之间的社交关系构建含有用户社交关系的物品互动拓扑图。将评论文本和购买关系作为节点信息的来源，使用Bert进行文本数据和网络结构的特征提取工作，以得到每个节点的初始特征向量。通过在该GNN上使用残差连接的方式，使得图中的节点信息尽可能地保留原始图谱的的结构信息，并得到更新后的节点信息。最后，通过链路预测算法得到用户对物品的偏好程度，并且针对得到的预测评分，生成推荐物品列表。其通过评论对节点特征进行个性化描述，并且能将用户——物品构成拓扑图的结构信息充分运用，从而进行更有效的推荐。该现有技术有没利用线图神经网络进行同构网络链路预测。
现技术中对复杂网络上的链路预测并没有人提出基于线图神经网络的同构网络链路预测算法。
发明内容
本发明要解决的技术问题是：
本发明的目的是提供一种基于线图神经网络的同构网络链路预测方法及系统，旨在通过深度学习技术自动挖掘、学习静态同构网络中有利于链路预测的特征信息，用于同构网络上的链路预测任务，且在学习的过程中需要采取方法尽量减少信息损失，提升同构网络上链路预测的精度。
本发明为解决上述技术问题所采用的技术方案为：
一种基于线图神经网络的同构网络链路预测方法，所述方法的实现包括潜在特征提取、结构特征提取以及结果预测，
(1)潜在特征提取：将同构网络输入到Node2Vec模型中，通过有偏随机游走算法，并结合Skip-Gram算法学习节点的潜在特征表示，将目标链路对应的两节点的节点嵌入拼接得到链路的潜在特征向量Li；
(2)结构特征提取：提取目标链路周围的封闭子图并转换成相应的线图，即以一个节点代表目标链路以减少信息损失；通过GCN学习线图的结构特征，得到目标链路的结构特征向量Si；
(3)结果预测：将目标链路的潜在特征向量Li和结构特征向量Si拼接，得到最终的链路表征向量Oi，输入MLP层预测链路存在的概率值，获得最终的预测结果。
潜在特征提取的过程为：
采用Node2Vec方法获取网络中节点的潜在特征向量，用节点x与节点y的潜在特征向量拼接作为待预测链路的潜在特征向量L(x,y)；
Emb＝Node2Vec(G,l,n)
L(x,y)＝Concat(Embx,Emby)
其中G为同构网络对应的无向图，l代表随机游走序列的长度，n代表随机游走的序列个数，Concat表示向量拼接操作。
结构特征提取包括封闭子图线图转换过程和结构特征表示过程，具体为：
封闭子图线图转换：
封闭子图的线图对应转换过程为，首先以封闭子图的边集合Esub作为线图L(G)的节点/>用在/>上对应的两个节点的标签，表示/>中节点e的新标签Label′e。随后对于/>中，在图/>上有公共顶点的节点，进行连接操作并加入边集/>至此完成封闭子图到线图的转换；
结构特征表示：
图卷积神经网络对于输入图中的每个节点，能够从它的所有邻居节点处获取特征信息，并与自身的特征聚合，从而捕获图的结构信息；通过GCN对线图进行学习，得到线图节点对应的结构特征向量，线图中的一个节点对应原封闭子图中的一条链路，用对应节点的嵌入作为待预测链路的结构特征向量S。
封闭子图线图转换的具体过程为：
定义待预测链路的两个节点(a,b)与其h跳步内的邻居构成的子图为h阶封闭子图从原图中提取封闭子图能够有效缩减网络的规模，设待预测链路的两个节点为(a,b)，采用如下标记算法为每个节点i进行标记：
其中da，db分别代表在图中节点i与节点a、b的距离，而d为da与db之和；此标签的数值代表每个节点与待预测链路间的相对距离，用来表征封闭子图中的结构信息；
图G＝{V,E}的线图定义为其中L(G)的一个节点对应G的一条边，且L(G)的节点相邻当且仅当它们在G对应的边相邻(有公共节点)；将标记后的封闭子图转换成相应的线图，可把分散在两个目标节点间的链路特征信息聚集在一个线图节点中，进而能够减少后续GCN学习过程中的信息损耗。
结构特征表示的具体过程为：
GCN层将L(G)的邻接矩阵节点信息矩阵X作为输入，X的每行对应一个线图节点的特征向量，由线图节点标签Label′，以及相应的原始特征向量构成；
X(a,b)＝Concat(Label′(a,b),Rawa,Rawb)
给定线图L(G)，表示(a,b)在图卷积神经网络第k层的节点嵌入为则在(k+1)层的嵌入为：
其中为(a,b)的邻居集合，W(k)为第k层的权值矩阵，β为归一化系数；且GCN网络的第一层的输入可以设置为/>
所述结果预测为：
通过上述步骤能够分别获得目标链路(a,b)的潜在特征向量L(a,b)和结构特征向量S(a,b)；将两者拼接可以到最终的待预测链路表征向量O(a,b)，最后通过预测模块将表征向量向[0,1]区间进行映射，得到对应链路存在的概率值，计算方法如公式所示：
O(a,b)＝Concat(S(a,b),L(a,b))
h(a,b)＝ReLU(O(a,b)W1+b1)
p(a,b)＝Softmax(h(a,b)W2+b2)
其中h(a,b)为第一层MLP的输出，p(a,b)为第二层MLP的输出，也是最终的预测结果，ReLU和Softmax分别代表对应的激活函数，W1和W2代表权值矩阵，b1和b2为偏置项；
NLG-GNN算法采用最小化二元交叉熵函数为目标函数，并通过最小化训练集中待预测链路的交叉熵损失来训练模型，具体的计算如下式所示：
其中Lt是待预测的目标链路集合，pl是链路l存在的概率，yl∈{0,1}是表示链路是否存在的标签，1表示存在，0表示不存在；
在更新模型中的参数时，采用结合动量梯度下降和自适应学习率的Adam优化方法，参数θ具体参数更新方法如公式所示：
mt＝β1mt-1+(1-β1)gt
其中，gt表示当前步长的梯度，mt和vt分别表示梯度的一阶矩和二阶矩，β1和β2是用来平衡两个动量变量的超参数，设置为0.9和0.999，t表示当前迭代次数，和/>是对mt和vt做偏差校正的结果，θt+1表示更新后的参数，α是学习率，∈是为了确保分母不为0而加上的一个小数值。
一种基于线图神经网络的同构网络链路预测系统，该系统具有与上述技术方案的步骤对应的程序模块，运行时执行上述的一种基于线图神经网络的同构网络链路预测方法中的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现上述的一种基于线图神经网络的同构网络链路预测方法的步骤。
本发明具有以下有益技术效果：
本发明采用基于深度学习的方法解决了针对复杂网络中的同构信息网络下的链路预测问题，本发明提出了利用线图神经网络的同构网络链路预测算法NLG-GNN。该方法通过提取出局部子图的方式来处理大规模网络，能进一步通过线图转换，将链路信息聚集在一个线图节点中，减少信息损失。结合图神经网络和图嵌入方法获取线图中节点的结构特征和潜在特征，进而完成链路预测任务。通过深度学习技术自动挖掘、学习静态同构网络中有利于链路预测的特征信息，用于同构网络上的链路预测任务，且在学习的过程中需要采取尽量减少信息损失的方法，大大提升同构网络上链路预测的精度。
在同构网络中，通常使用基于节点相似性的方法就能获得较好的预测效果，但基于节点相似性的方法存在三大问题：假设性强、利用特征单一、手工选取特征，使得方法对特征信息利用不充分，且对不同领域的数据集适应性较差。基于最大似然的方法虽然能充分利用全局网络信息提升预测精度，但该类方法复杂度极高，仅能应用于较小规模网络，且效率较低。正是在这样的背景下，本发明提出基于深度学习的方法能够自动的学习有利于链路预测的相关特征，从而完成预测任务。
附图说明
图1为本发明所述的基于线图神经网络的同构网络预测方法的框架图；图2为提取封闭子图并进行节点标记的过程示意图；图3为预测模块框图；图4为SEAL和NLG-GNN训练损失和测试AUC的比较图。
具体实施方式
结合附图1-4对本发明的实现进行如下阐述：
1本发明提出基于深度学习的预测方法能够自动的学习有利于链路预测的相关特征，完成预测任务，经验证，解决了本发明提出的技术问题。
2技术方案
2.1系统模型
本发明提出了基于线图神经网络的链路预测方法(NLG-GNN)来解决同构网络中链路预测的问题。模型主要包括潜在特征提取、结构特征提取以及结果预测三个部分，如图1所示。
(1)潜在特征提取：将同构网络输入到Node2Vec模型中，通过有偏随机游走算法，并结合Skip-Gram算法学习节点的潜在特征表示，将目标链路对应的两节点的节点嵌入拼接得到链路的潜在特征向量Li。
(2)结构特征提取：提取目标链路周围的封闭子图并转换成相应的线图，即以一个节点代表目标链路，从而减少信息损失。通过GCN学习线图的结构特征，得到目标链路的结构特征向量Si。
(3)结果预测：将目标链路的潜在特征向量Li和结构特征向量Si拼接，得到最终的链路表征向量Oi，输入MLP层预测链路存在的概率值，获得最终的预测结果。
2.2潜在特征学习模块
网络嵌入方法能够对网络中的节点进行编码，并将其映射到嵌入空间中，通过学习使得两个节点在嵌入空间中的相似度与原网络中一致，从而得到节点的低维度潜在特征表示，所学习到的特征表示向量可以用于完成相关的下游任务。Node2Vec能够对给定的网络结构进行学习，输出网络中的每个节点的表示向量。其综合了深度优先搜索和广度优先搜索的优点，通过有偏随机游走，生成一个节点序列，再通过Word2Vec的算法框架得到这个节点的向量表示。本文采用Node2Vec方法获取网络中节点的潜在特征向量，用节点x与节点y的潜在特征向量拼接作为待预测链路的潜在特征向量L(x,y)。
Emb＝Node2Vec(G,l,n)
L(x,y)＝Concat(Embx,Emby)
其中G为同构网络对应的无向图，l代表随机游走序列的长度，n代表随机游走的序列个数，Concat表示向量拼接操作。
2.3封闭子图线图转换模块
定义待预测链路的两个节点(a,b)与其h跳步内的邻居构成的子图为h阶封闭子图从原图中提取封闭子图能够有效缩减网络的规模，且一般2到3跳封闭子图中就包含了足够多的结构信息用于完成链路预测任务。如图2所示，从原网络G中提取出待预测目标节点周围的两跳封闭子图/>(跳步数为2)后，需为每个节点分配一个标签，作为其节点信息。设待预测链路的两个节点为(a,b)，采用如下标记算法为每个节点i进行标记：
其中da，db分别代表在图中节点i与节点a、b的距离，而d为da与db之和。此标签的数值代表每个节点与待预测链路间的相对距离，可以用来表征封闭子图中的结构信息。
图G＝{V,E}的线图定义为其中L(G)的一个节点对应G的一条边，且L(G)的节点相邻当且仅当它们在G对应的边相邻(有公共节点)。将标记后的封闭子图转换成相应的线图，可以把分散在两个目标节点间的链路特征信息聚集在一个线图节点中，进而能够减少后续GCN学习过程中的信息损耗。
封闭子图的线图对应转换方法如算法1所示，首先以封闭子图的边集合Esub作为线图L(G)的节点/>用在/>上对应的两个节点的标签，表示/>中节点e的新标签Label′e。随后对于/>中，在图/>上有公共顶点的节点，进行连接操作并加入边集/>至此完成封闭子图到线图的转换。
2.4结构特征表示模块
图卷积神经网络对于输入图中的每个节点，能够从它的所有邻居节点处获取特征信息，并与自身的特征聚合，从而捕获图的结构信息。通过GCN对线图进行学习，可以得到线图节点对应的结构特征向量，线图中的一个节点对应原封闭子图中的一条链路，因此可用对应节点的嵌入作为待预测链路的结构特征向量S。
GCN层将L(G)的邻接矩阵节点信息矩阵X作为输入，X的每行对应一个线图节点的特征向量，由线图节点标签Label′，以及相应的原始特征向量构成。
X(a,b)＝Concat(Label′(a,b),Rawa,Rawb)
给定线图L(G)，表示(a,b)在图卷积神经网络第k层的节点嵌入为则在(k+1)层的嵌入为:
其中为(a,b)的邻居集合，W(k)为第k层的权值矩阵，β为归一化系数。且GCN网络的第一层的输入可以设置为/>
2.5预测输出模块
通过上述步骤能够分别获得目标链路(a,b)的潜在特征向量L(a,b)和结构特征向量S(a,b)。将两者拼接可以到最终的待预测链路表征向量O(a,b)，最后通过图3所示的预测模块，将表征向量向[0,1]区间进行映射，得到对应链路存在的概率值，计算方法如公式所示。
O(a,b)＝Concat(S(a,b),L(a,b))
h(a,b)＝ReLU(O(a,b)W1+b1)
p(a,b)＝Softmax(h(a,b)W2+b2)
其中h(a,b)为第一层MLP的输出，p(a,b)为第二层MLP的输出，也是最终的预测结果，ReLU和Softmax分别代表对应的激活函数，W1和W2代表权值矩阵，b1和b2为偏置项。
NLG-GNN算法采用最小化二元交叉熵函数为目标函数，并通过最小化训练集中待预测链路的交叉熵损失来训练模型，具体的计算如公式所示。
其中Lt是待预测的目标链路集合，pl是链路l存在的概率，yl∈{0,1}是表示链路是否存在的标签，1表示存在，0表示不存在。
在更新模型中的参数时，NLG-GNN算法采用结合了动量梯度下降和自适应学习率的Adam优化方法，参数θ具体参数更新方法如公式所示：
mt＝β1mt-1+(1-β1)gt
其中，gt表示当前步长的梯度，mt和vt分别表示梯度的一阶矩和二阶矩，β1和β2是用来平衡两个动量变量的超参数，设置为0.9和0.999，t表示当前迭代次数，和/>是对mt和vt做偏差校正的结果，θt+1表示更新后的参数，α是学习率，∈是为了确保分母不为0而加上的一个小数值。
2.6整体算法描述
NLG-GNN模型的目标是捕获同构网络中的有效的结构信息、节点信息，获取能够表征待预测链路的特征向，完成链路预测任务。基于线图神经网络的同构网络链路预测方法的伪代码如算法2所示。
NLG-GNN算法的输入为图G，包含正链路和随机选取的负链路的训练集Train、测试集Test，最大迭代次数Epoch，以及batchsize，其中本文将网络中存在的链路称为正链路，不存在的链路称之为负链路。这里为了保证学习过程的公平性，首先Train和Test中的正链路均在图G中去除，负链路由于本身不存在，故不需要额外处理，其次Train中的正链路和负链路的数量相等，Test中也是。在模型训练时，本发明将训练集的数据根据batchsize划分成多个batch，对模型训练15个迭代。
3发明效果
3.1测试数据集和基线方法
本文在USAir、NS、PB、Yeast、Power、C.ele、BUP、HPD、YST、SMG、NSC、KHN、GRQ、LDG、ZWL、EML、ADV十七个数据集上对提出的NLG-GNN模型和其他基线模型的效果进行了充分的实验验证。这些数据集为来自多个不同领域、具有不同规模的公开网络数据，具体统计信息如表1所示。
表1同构网络数据集统计信息
/>
其中USAir是一个由332个节点和2126个边组成的美国航空公司网络。NS、SMG、NSC、KHN、GRQ、ZWL、LDG是具有不同的规模的研究者的协作网络。PB是一个由1222个节点和16714条边组成的政治博客网络，BUP则是规模相对较小的政治博客网络。Yeast是酵母中的蛋白质间相互作用网络，具有2375个节点和11693条边，平均节点度为9.85。Power是美国西部的一个电网数据集，有4941个节点和6594条边，平均节点度为2.67。C.ele是一个由297个节点和2148条边组成的线虫的神经网络，平均节点度为14.46。ADV是具有39285条边的社交网络，由5155个节点组成。
为评估NLG-GNN模型的预测性能，本文选取了10个最具代表性的同构网络链路预测方法进行全面的对比实验。具体的方法介绍如下:
CN：一种基于局部结构信息的节点相似度方法,该方法通过两个节点的公共一跳邻居节点个数衡量节点的相似程度，计算方式如公式所示。
CN(x,y)＝|Γ(x)∩Γ(y)|＝(A2)x,y
其中Γ(x)、Γ(y)表示节点x、节点y的邻居集合，A表示网络对应的邻接矩阵。
Katz：一种基于全局结构信息的节点相似度方法，通过对节点之间所有可能长度的路径数量进行加权来衡量节点相似度，计算方法如公式所示。
其中β<1是阻尼因子，|walks<l>(x,y)|表示节点x和y之间的长度为l的路径的数量。
PR：一种基于随机游走过程的利用全局结构信息的节点相似度方法，以概率α随机移动到其当前节点x的一个邻居节点，或以概率1-α返回到x，计算从节点x开始的随机游走的平稳分布πx，用平稳分布概率衡量节点相似度。无向网络中rooted PageRank的计算方式如公式所示。
PR(x,y)＝[πx]y+[πy]x
其中[πx]y表示从节点x开始的随机游走到节点y的平稳分布概率。
SR：一种基于全局结构信息的节点相似度方法，该方法认为如果两个节点的邻居节点相似，那么这个两个节点也相似。如果x＝y，那么SR(x,y)＝1，否则计算公式如下。
可知SimRank指标通过递归计算。
SBM：基于最大似然的方法，使用结点隶属似然函数将网络中的结点概率性地分配给不同的社团，通过推理似然函数来迭代推断结点隶属关系，推导出网络中节点间的链路存在情况。
Node2Vec：从图拓扑中学习节点特征的嵌入方法(后续简称为N2V)通过在随机游走的过程中加入节点的概率选择，将深度和广度优先搜索相结合，从而能获取更高质量的采样序列。进而可以讲序列输入到Skip-Gram模型中，获取每个节点的嵌入向量，并利用嵌入向量完成链路预测任务。
GAE：图自编码器方法包含两层GCN，给定网络的邻接矩阵A和节点特征矩阵X，GAE使用GCN来学习每个节点的节点表示，并通过两节点的向量内积对相应链路进行预测。
VGAE：变分图自编码器方法，GAE的变分版本，将输入映射到多维高斯分布，节点的潜在特征向量不会是一个固定的值，并且在训练时利用KL散度避免了过拟合。
VGNAE：变分图归一化自动编码器方法，在VGAE的基础上引入了L2正则化，有效地防止孤立节点的嵌入向量的都接近于零的问题。
SEAL：基于图神经网络的方法，将链路预测任务转化成了子图分类任务。对于待预测链路，提取周围局部子图并从中学习特征，并通过DGCNN模型进行子图分类，完成链路预测任务。
3.2实验结果与分析
实验1基线模型对比试验：在17个数据集上对本文提出的方法NLG-GNN和10种基线方法进行对比实验。实验中将数据集中的链路随机分成训练集和测试集，并生成随机生成等量的不存在链路作为负训练集和负测试集，并且需要从邻接矩阵中去除测试集中的正链路，防止训练过程中泄露信息。重复进行10次实验并收集AUC和AP两个指标值，取10次实验结果的平均值作为最终结果。选取80％的链路用于训练模型的结果如表2和表3所示。
表2NLG-GNN模型与基线模型对比的AUC结果(％)
/>
表3NLG-GNN模型与基线模型对比的AP结果(％)
实验1分析：从结果中可以看出，基于节点相似性的方法CN、Katz、PR、SR不能在所有数据集上都达到较好的性能，因为它们基于很强的假设，无法应对不同类型的数据。基于最大似然的SBM方法整体性能表现最差，能够自动学习网络中相关信息的基于深度学习的方法性能普遍优于基于节点相似性的方法。基于网络嵌入的方法Node2Vec在不同数据集上的表现相对比较稳定，但由于其只利用了节点的潜在特征，因此并没有达到最优效果。基于图自编码器的GAE和VGAE是解决网络结构数据上的任务的通用方法，由于VGAE利用KL散度避免了过拟合，可以看出其效果优于GAE。此外VGNAE引入了L2归一化，来解决VGAE中孤立节点的嵌入无法区分的问题，实验结果也体现了L2归一化的有效性。基于图卷积神经网络的SEAL模型可以从数据集中自动学习链路的分布，其性能在基线模型中最优。本文提出的NLG-GNN模型性能在AUC和AP两个评价指标上始终优于所有基线方法，因为NLG-GNN同时利用了网络中的潜在特征和结构特征，并且将分散在两个节点中的链路信息聚合在一个线图节点中，避免了在学习过程中的有效特征的损失，所以NLG-GNN可以学习更有效的特征向量来表示待预测链路，且比其他基线方法的表现更加更稳定。
实验2消融实验：为了验证NLG-GNN模型中各模块的有效性，本文设置了无Node2Vec(NLG-GNN-N2V)、无节点标记(NLG-GNN-Lab)、无线图转换(NLG-GNN-Lin)三种模型变体的对比实验。具体来说，本文将NLG-GNN中潜在特征提取部分去除作为无Node2Vec的模型变体；将结构特征提取部分的节点标记操作去除，用one-hot向量替代结构特征向量中的标签部分，再输入GCN中进行学习，作为无节点标记模型变体；在子图提取及标记后不进行线图转换，而是对原封闭子图进行学习，将学习到的链路对应的两节点的特征向量拼接，替代相应线图节点的结构特征向量，作为无线图模型变体。实验结果如表4和表5所示。
表4消融实验AUC结果(％)
表5消融实验AP结果(％)
实验2分析：完整的NLG-GNN模型的两个指标均表现最好，这证明了潜在特征提取、节点标记、转换线图步骤的有效性。其中缺少节点标记的模型整体表现最差，这说明在结构特征提取部分，需要有效的标签信息来表征封闭子图的结构信息。缺少Node2Vec的模型和不进行线图转换的模型的效果相较于完整的NLG-GNN模型也有所下降，证明了潜在特征对于链路预测任务有效，以及线图转换减少了部分结构信息损失。
实验3参数对比实验：为了选取最优的超参数，分别设置随机游走序列长度l为10、20、30；设置潜在特征向量维度de为8、16、32；设置封闭子图的邻居跳步数hop为1、2、3；进行了超参数对比实验。实验结果如表6和表7所示。
表6参数对比实验的AUC结果(％)
表7参数对比实验的AP结果(％)
实验3分析：实验结果表明在随机游走序列长度l为20时AUC、AP指标均达到最优。潜在特征向量维度de为16时各数据集上AUC指标均表现最好，部分数据集上de设置为32时，AP指标表现最好。对于hop参数，可以看到当跳步数为2时，模型在多数据集上取得最优性能，而对于Yeast和Power数据集，需将跳步数设置为3才能达到最佳效果。但由于跳步为3时对应的封闭子图规模也可能很大，甚至出现等同于原图的情况，且在多数实验中跳步数设置为3时性能并没有提升，因此hop参数选取为2。
实验4收敛速度对比实验：
为了分析两个模型的收敛速度，本文在不同的数据集上，以50％的数据作为训练集，分别对SEAL，NLG-GNN进行训练，并收集了训练过程中每个epoch的损失值，以及每个epoch测试的AUC值，结果如图4所示。
实验4分析：
可以看出，NLG-GNN模型收敛速度比SEAL更快，只需10到15个epoch就能达到最优性能。而SEAL模型需要50个epoch的训练才能收敛。因此NLG-GNN能够节省训练时间，并且需要更少的模型参数。
实验总结：在多个同构网络数据集上的大量实验表明，本文提出的NLG-GNN性能在两个评价指标上均优于其他基线方法。并且算法中的潜在特征提取、线图转换、节点标记步骤能够有效地提升预测效果。此外，NLG-GNN模型的参数更少收敛速度相较于其他深度学习方法更快。
Claims (8)
1.一种基于线图神经网络的同构网络链路预测方法，其特征在于，所述方法的实现包括潜在特征提取、结构特征提取以及结果预测，
(1)潜在特征提取：将同构网络输入到Node2Vec模型中，通过有偏随机游走算法，并结合Skip-Gram算法学习节点的潜在特征表示，将目标链路对应的两节点的节点嵌入拼接得到链路的潜在特征向量Li；
(2)结构特征提取：提取目标链路周围的封闭子图并转换成相应的线图，即以一个节点代表目标链路以减少信息损失；通过GCN学习线图的结构特征，得到目标链路的结构特征向量Si；
(3)结果预测：将目标链路的潜在特征向量Li和结构特征向量si拼接，得到最终的链路表征向量oi，输入MLP层预测链路存在的概率值，获得最终的预测结果。
2.根据权利要求1所述的一种基于线图神经网络的同构网络链路预测方法，其特征在于，潜在特征提取的过程为：
采用Node2Vec方法获取网络中节点的潜在特征向量，用节点x与节点y的潜在特征向量拼接作为待预测链路的潜在特征向量L(x,y)；
Emb＝Node2Vec(G,l,n)
L(x,y)＝Concat(Embx,Emby)
其中G为同构网络对应的无向图，l代表随机游走序列的长度，n代表随机游走的序列个数，Concat表示向量拼接操作。
3.根据权利要求2所述的一种基于线图神经网络的同构网络链路预测方法，其特征在于，结构特征提取包括封闭子图线图转换过程和结构特征表示过程，具体为：
封闭子图线图转换：
封闭子图的线图对应转换过程为，首先以封闭子图的边集合Esub作为线图L(G)的节点/>用在/>上对应的两个节点的标签，表示/>中节点e的新标签Label′e。随后对于/>中，在图/>上有公共顶点的节点，进行连接操作并加入边集/>至此完成封闭子图到线图的转换；
结构特征表示：
图卷积神经网络对于输入图中的每个节点，能够从它的所有邻居节点处获取特征信息，并与自身的特征聚合，从而捕获图的结构信息；通过GCN对线图进行学习，得到线图节点对应的结构特征向量，线图中的一个节点对应原封闭子图中的一条链路，用对应节点的嵌入作为待预测链路的结构特征向量S。
4.根据权利要求3所述的一种基于线图神经网络的同构网络链路预测方法，其特征在于，封闭子图线图转换的具体过程为：
定义待预测链路的两个节点(a,b)与其h跳步内的邻居构成的子图为h阶封闭子图从原图中提取封闭子图能够有效缩减网络的规模，设待预测链路的两个节点为(a,b)，采用如下标记算法为每个节点i进行标记：
其中da，db分别代表在图中节点i与节点a、b的距离，而d为da与db之和；此标签的数值代表每个节点与待预测链路间的相对距离，用来表征封闭子图中的结构信息；
图G＝{V,E}的线图定义为其中L(G)的一个节点对应G的一条边，且L(G)的节点相邻当且仅当它们在G对应的边相邻(有公共节点)；将标记后的封闭子图转换成相应的线图，可把分散在两个目标节点间的链路特征信息聚集在一个线图节点中，进而能够减少后续GCN学习过程中的信息损耗。
5.根据权利要求4所述的一种基于线图神经网络的同构网络链路预测方法，其特征在于，结构特征表示的具体过程为：
GCN层将L(G)的邻接矩阵节点信息矩阵X作为输入，X的每行对应一个线图节点的特征向量，由线图节点标签Label′，以及相应的原始特征向量构成；
X(a,b)＝Concat(Label′(a,b),Rawa,Rawb)
给定线图L(G)，表示(a,b)在图卷积神经网络第k层的节点嵌入为则在(k+1)层的嵌入为：
其中为(a,b)的邻居集合，W(k)为第k层的权值矩阵，β为归一化系数；且GCN网络的第一层的输入可以设置为/>
6.根据权利要求5所述的一种基于线图神经网络的同构网络链路预测方法，其特征在于，所述结果预测为：
通过上述步骤能够分别获得目标链路(a,b)的潜在特征向量L(a,b)和结构特征向量S(a,b)；将两者拼接可以到最终的待预测链路表征向量O(a,b)，最后通过预测模块将表征向量向[0,1]区间进行映射，得到对应链路存在的概率值，计算方法如公式所示：
O(a,b)＝Concat(S(a,b),l(a,b))
h(a,b)＝ReLU(O(a,b)W1+b1)
p(a,b)＝Softmax(h(a,b)W2+b2)
其中h(a,b)为第一层MLP的输出，p(a,b)为第二层MLP的输出，也是最终的预测结果，ReLU和Softmax分别代表对应的激活函数，W1和W2代表权值矩阵，b1和b2为偏置项；
NLG-GNN算法采用最小化二元交叉熵函数为目标函数，并通过最小化训练集中待预测链路的交叉熵损失来训练模型，具体的计算如下式所示：
其中Lt是待预测的目标链路集合，pl是链路l存在的概率，yl∈{0,1}是表示链路是否存在的标签，1表示存在，0表示不存在；
在更新模型中的参数时，采用结合动量梯度下降和自适应学习率的Adam优化方法，参数θ具体参数更新方法如公式所示：
mt＝β1mt-1+(1-β1)gt
其中，gt表示当前步长的梯度，mt和vt分别表示梯度的一阶矩和二阶矩，β1和β2是用来平衡两个动量变量的超参数，设置为0.9和0.999，t表示当前迭代次数，和/>是对mt和vt做偏差校正的结果，θt+1表示更新后的参数，α是学习率，∈是为了确保分母不为0而加上的一个小数值。
7.一种基于线图神经网络的同构网络链路预测系统，其特征在于：该系统具有与上述权利要求1-6任一项权利要求的步骤对应的程序模块，运行时执行上述的一种基于线图神经网络的同构网络链路预测方法中的步骤。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1-6中任一项所述的一种基于线图神经网络的同构网络链路预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311025770.7A CN117151279A (zh) | 2023-08-15 | 2023-08-15 | 一种基于线图神经网络的同构网络链路预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311025770.7A CN117151279A (zh) | 2023-08-15 | 2023-08-15 | 一种基于线图神经网络的同构网络链路预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117151279A true CN117151279A (zh) | 2023-12-01 |
Family
ID=88883427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311025770.7A Pending CN117151279A (zh) | 2023-08-15 | 2023-08-15 | 一种基于线图神经网络的同构网络链路预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151279A (zh) |
Citations (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2446391A1 (de) * | 1974-09-27 | 1976-04-15 | Siemens Ag | Zeitmultiplexkoppelfeld |
| EP0363017A2 (en) * | 1988-09-09 | 1990-04-11 | Matsushita Electric Industrial Co., Ltd. | Schematic diagram generator and schematic diagram generating method |
| JPH03278635A (ja) * | 1990-03-28 | 1991-12-10 | Nec Corp | Ｎｏ．７共通線信号方式の信号ルート管理方法 |
| RU1798656C (ru) * | 1990-07-02 | 1993-02-28 | Производственное объединение "Уралмаш" | Способ определени максимально допустимого размера микродефекта в металлах при циклическом нагружении |
| US20020018264A1 (en) * | 2000-07-06 | 2002-02-14 | Kodialam Muralidharan S. | Dynamic path routing with service level guarantees in optical networks |
| US20090296719A1 (en) * | 2005-08-08 | 2009-12-03 | Guido Alberto Maier | Method for Configuring an Optical Network |
| US20110145262A1 (en) * | 2009-12-15 | 2011-06-16 | International Business Machines Corporation | Measuring node proximity on graphs with side information |
| US20120140636A1 (en) * | 2010-12-07 | 2012-06-07 | Resende Mauricio Guilherme De Carvalho | Methods and apparatus to determine network link weights |
| US20130013667A1 (en) * | 2011-07-07 | 2013-01-10 | CogNueva, Inc. | Relationship networks having link quality metrics with inference and concomitant digital value exchange |
| EP2911349A1 (en) * | 2014-02-24 | 2015-08-26 | Deutsche Telekom AG | Method and system for link prediction in mobile computing |
| CN106533759A (zh) * | 2016-11-11 | 2017-03-22 | 南京理工大学 | 一种多层网络中的基于路径熵的链路预测方法 |
| CN107423814A (zh) * | 2017-07-31 | 2017-12-01 | 南昌航空大学 | 一种采用深度卷积神经网络建立动态网络模型的方法 |
| KR20180091139A (ko) * | 2017-02-06 | 2018-08-16 | 한국과학기술원 | 링크 예측 장치 및 방법 |
| US20180231389A1 (en) * | 2017-02-16 | 2018-08-16 | IFP Energies Nouvelles | Method of determining an area reachable by a vehicle using a dynamic model and a line graph |
| US20180254958A1 (en) * | 2017-03-03 | 2018-09-06 | Nec Laboratories America, Inc. | Link prediction with spatial and temporal consistency in dynamic networks |
| CN110677284A (zh) * | 2019-09-24 | 2020-01-10 | 北京工商大学 | 一种基于元路径的异构网络链路预测的方法 |
| CN111461440A (zh) * | 2020-04-02 | 2020-07-28 | 河北工程大学 | 链路预测方法、系统及终端设备 |
| CN111709474A (zh) * | 2020-06-16 | 2020-09-25 | 重庆大学 | 一种融合拓扑结构和节点属性的图嵌入链路预测方法 |
| CN112085161A (zh) * | 2020-08-20 | 2020-12-15 | 清华大学 | 一种基于随机信息传递的图神经网络方法 |
| CN112184468A (zh) * | 2020-09-29 | 2021-01-05 | 中国电子科技集团公司电子科学研究院 | 基于时空关系的动态社会关系网络链路的预测方法及装置 |
| CN112347369A (zh) * | 2020-10-12 | 2021-02-09 | 中国电子科技集团公司电子科学研究院 | 基于网络表征的集成学习动态社会网络链路预测方法 |
| CN112700056A (zh) * | 2021-01-06 | 2021-04-23 | 中国互联网络信息中心 | 复杂网络链路预测方法、装置、电子设备及介质 |
| CN113032638A (zh) * | 2021-03-23 | 2021-06-25 | 深圳大学 | 一种网络链路预测方法及装置 |
| CN113033709A (zh) * | 2021-04-30 | 2021-06-25 | 中国工商银行股份有限公司 | 链路预测方法和装置 |
| WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
| WO2021196240A1 (zh) * | 2020-04-03 | 2021-10-07 | 清华大学 | 面向跨网络的表示学习算法 |
| CN113792937A (zh) * | 2021-09-29 | 2021-12-14 | 中国人民解放军国防科技大学 | 一种基于图神经网络的社交网络影响力预测方法、装置 |
| CN113988464A (zh) * | 2021-11-17 | 2022-01-28 | 国家电网有限公司客户服务中心 | 基于图神经网络的网络链路属性关系预测方法及设备 |
| CN114548569A (zh) * | 2022-02-24 | 2022-05-27 | 华中农业大学 | 异质社交网络中缺失链路预测方法、系统和存储介质 |
| CN114679372A (zh) * | 2022-03-17 | 2022-06-28 | 扬州大学 | 一种基于节点相似性的图注意力网络的链路预测方法 |
| US20220268827A1 (en) * | 2021-02-24 | 2022-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Distribution Fault Location Using Graph Neural Network with both Node and Link Attributes |
| US20220286366A1 (en) * | 2021-03-02 | 2022-09-08 | POSTECH Research and Business Development Foundation | Method and apparatus for graph neural network based virtual network management |
| US20220293216A1 (en) * | 2021-03-12 | 2022-09-15 | International Business Machines Corporation | Material representation in computational systems |
| CN115687760A (zh) * | 2022-10-30 | 2023-02-03 | 上海师范大学 | 一种基于图神经网络的用户学习兴趣标签预测方法 |
| CN115712511A (zh) * | 2022-06-29 | 2023-02-24 | 湖南科技大学 | 基于双线性图神经网络的Web服务分类方法 |
| CN115935563A (zh) * | 2022-11-24 | 2023-04-07 | 之江实验室 | 一种基于图神经网络的网络带宽预测方法及装置 |
| KR20230069578A (ko) * | 2021-11-12 | 2023-05-19 | 연세대학교 산학협력단 | 그래프 신경망을 이용한 부호 인지 추천 장치 및 방법 |
| CN116257662A (zh) * | 2023-01-03 | 2023-06-13 | 重庆理工大学 | 基于k近邻图神经网络的异质图社区发现方法 |
| CN116402509A (zh) * | 2023-04-13 | 2023-07-07 | 东北大学 | 基于图神经网络的以太坊诈骗账户检测装置及方法 |
-
2023
- 2023-08-15 CN CN202311025770.7A patent/CN117151279A/zh active Pending
Patent Citations (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2446391A1 (de) * | 1974-09-27 | 1976-04-15 | Siemens Ag | Zeitmultiplexkoppelfeld |
| EP0363017A2 (en) * | 1988-09-09 | 1990-04-11 | Matsushita Electric Industrial Co., Ltd. | Schematic diagram generator and schematic diagram generating method |
| JPH03278635A (ja) * | 1990-03-28 | 1991-12-10 | Nec Corp | Ｎｏ．７共通線信号方式の信号ルート管理方法 |
| RU1798656C (ru) * | 1990-07-02 | 1993-02-28 | Производственное объединение "Уралмаш" | Способ определени максимально допустимого размера микродефекта в металлах при циклическом нагружении |
| US20020018264A1 (en) * | 2000-07-06 | 2002-02-14 | Kodialam Muralidharan S. | Dynamic path routing with service level guarantees in optical networks |
| US20090296719A1 (en) * | 2005-08-08 | 2009-12-03 | Guido Alberto Maier | Method for Configuring an Optical Network |
| US20110145262A1 (en) * | 2009-12-15 | 2011-06-16 | International Business Machines Corporation | Measuring node proximity on graphs with side information |
| US20120140636A1 (en) * | 2010-12-07 | 2012-06-07 | Resende Mauricio Guilherme De Carvalho | Methods and apparatus to determine network link weights |
| US20130013667A1 (en) * | 2011-07-07 | 2013-01-10 | CogNueva, Inc. | Relationship networks having link quality metrics with inference and concomitant digital value exchange |
| EP2911349A1 (en) * | 2014-02-24 | 2015-08-26 | Deutsche Telekom AG | Method and system for link prediction in mobile computing |
| CN106533759A (zh) * | 2016-11-11 | 2017-03-22 | 南京理工大学 | 一种多层网络中的基于路径熵的链路预测方法 |
| KR20180091139A (ko) * | 2017-02-06 | 2018-08-16 | 한국과학기술원 | 링크 예측 장치 및 방법 |
| US20180231389A1 (en) * | 2017-02-16 | 2018-08-16 | IFP Energies Nouvelles | Method of determining an area reachable by a vehicle using a dynamic model and a line graph |
| US20180254958A1 (en) * | 2017-03-03 | 2018-09-06 | Nec Laboratories America, Inc. | Link prediction with spatial and temporal consistency in dynamic networks |
| CN107423814A (zh) * | 2017-07-31 | 2017-12-01 | 南昌航空大学 | 一种采用深度卷积神经网络建立动态网络模型的方法 |
| CN110677284A (zh) * | 2019-09-24 | 2020-01-10 | 北京工商大学 | 一种基于元路径的异构网络链路预测的方法 |
| WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和系统 |
| CN111461440A (zh) * | 2020-04-02 | 2020-07-28 | 河北工程大学 | 链路预测方法、系统及终端设备 |
| WO2021196240A1 (zh) * | 2020-04-03 | 2021-10-07 | 清华大学 | 面向跨网络的表示学习算法 |
| CN111709474A (zh) * | 2020-06-16 | 2020-09-25 | 重庆大学 | 一种融合拓扑结构和节点属性的图嵌入链路预测方法 |
| CN112085161A (zh) * | 2020-08-20 | 2020-12-15 | 清华大学 | 一种基于随机信息传递的图神经网络方法 |
| CN112184468A (zh) * | 2020-09-29 | 2021-01-05 | 中国电子科技集团公司电子科学研究院 | 基于时空关系的动态社会关系网络链路的预测方法及装置 |
| CN112347369A (zh) * | 2020-10-12 | 2021-02-09 | 中国电子科技集团公司电子科学研究院 | 基于网络表征的集成学习动态社会网络链路预测方法 |
| CN112700056A (zh) * | 2021-01-06 | 2021-04-23 | 中国互联网络信息中心 | 复杂网络链路预测方法、装置、电子设备及介质 |
| US20220268827A1 (en) * | 2021-02-24 | 2022-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Distribution Fault Location Using Graph Neural Network with both Node and Link Attributes |
| US20220286366A1 (en) * | 2021-03-02 | 2022-09-08 | POSTECH Research and Business Development Foundation | Method and apparatus for graph neural network based virtual network management |
| US20220293216A1 (en) * | 2021-03-12 | 2022-09-15 | International Business Machines Corporation | Material representation in computational systems |
| CN113032638A (zh) * | 2021-03-23 | 2021-06-25 | 深圳大学 | 一种网络链路预测方法及装置 |
| CN113033709A (zh) * | 2021-04-30 | 2021-06-25 | 中国工商银行股份有限公司 | 链路预测方法和装置 |
| CN113792937A (zh) * | 2021-09-29 | 2021-12-14 | 中国人民解放军国防科技大学 | 一种基于图神经网络的社交网络影响力预测方法、装置 |
| KR20230069578A (ko) * | 2021-11-12 | 2023-05-19 | 연세대학교 산학협력단 | 그래프 신경망을 이용한 부호 인지 추천 장치 및 방법 |
| CN113988464A (zh) * | 2021-11-17 | 2022-01-28 | 国家电网有限公司客户服务中心 | 基于图神经网络的网络链路属性关系预测方法及设备 |
| CN114548569A (zh) * | 2022-02-24 | 2022-05-27 | 华中农业大学 | 异质社交网络中缺失链路预测方法、系统和存储介质 |
| CN114679372A (zh) * | 2022-03-17 | 2022-06-28 | 扬州大学 | 一种基于节点相似性的图注意力网络的链路预测方法 |
| CN115712511A (zh) * | 2022-06-29 | 2023-02-24 | 湖南科技大学 | 基于双线性图神经网络的Web服务分类方法 |
| CN115687760A (zh) * | 2022-10-30 | 2023-02-03 | 上海师范大学 | 一种基于图神经网络的用户学习兴趣标签预测方法 |
| CN115935563A (zh) * | 2022-11-24 | 2023-04-07 | 之江实验室 | 一种基于图神经网络的网络带宽预测方法及装置 |
| CN116257662A (zh) * | 2023-01-03 | 2023-06-13 | 重庆理工大学 | 基于k近邻图神经网络的异质图社区发现方法 |
| CN116402509A (zh) * | 2023-04-13 | 2023-07-07 | 东北大学 | 基于图神经网络的以太坊诈骗账户检测装置及方法 |
Non-Patent Citations (10)
| Title |
|---|
| CAI, LEI, ET AL.: "Line graph neural networks for link prediction", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 31 December 2021 (2021-12-31) * |
| MD GOLAM MORSHED: "LeL-GNN: Learnable Edge Sampling and Line Based Graph Neural Network for Link Prediction", IEEE ACCESS, 5 June 2023 (2023-06-05) * |
| NGUYEN ET AL.: "BiasedWalk: Biased sampling for representation learning on graphs", 2018 IEEE INTERNATIONAL CONFERENCE ON BIG DATA, 31 December 2018 (2018-12-31) * |
| TAI, Y ET AL.: "A Representation Learning Link Prediction Approach Using Line Graph Neural Networks", PATTERN RECOGNITION AND COMPUTER VISION, 26 December 2023 (2023-12-26) * |
| 何艳;赵晓婷;于云莉;: "复杂网络节点相似性算法及其在癫痫病辅助诊断的应用", 计算机系统应用, no. 01, 15 January 2017 (2017-01-15) * |
| 李峰等: "基于图注意力和特征融合的链路预测方法", 四川大学学报(自然科学版), vol. 60, no. 5, 31 May 2023 (2023-05-31) * |
| 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, 30 April 2020 (2020-04-30) * |
| 白铂;刘玉婷;马驰骋;王光辉;闫桂英;闫凯;张明;周志恒;: "图神经网络", 中国科学:数学, no. 03, 29 February 2020 (2020-02-29) * |
| 艾春玲等: "基于综合游走策略的边嵌入链路预测算法", 云南大学学报(自然科学版), vol. 45, no. 1, 31 January 2023 (2023-01-31) * |
| 马宁;李斌;: "云计算环境下并行进化神经网络的设计研究", 安徽广播电视大学学报, no. 02, 30 June 2017 (2017-06-30) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Next point-of-interest recommendation with temporal and multi-level context attention | |
| CN100419754C (zh) | 使用表格来学习树 | |
| CN106778832B (zh) | 基于多目标优化的高维数据半监督集成分类方法 | |
| CN111709518A (zh) | 一种基于社区感知和关系注意力的增强网络表示学习的方法 | |
| François | An evolutionary strategy for global minimization and its Markov chain analysis | |
| Fazzolari et al. | A study on the application of instance selection techniques in genetic fuzzy rule-based classification systems: Accuracy-complexity trade-off | |
| Fan et al. | Federated few-shot learning with adversarial learning | |
| CN113344615A (zh) | 一种基于gbdt和dl融合模型的营销活动预测方法 | |
| CN113094822A (zh) | 一种机械设备剩余寿命预测方法和系统 | |
| CN113297429A (zh) | 一种基于神经网络架构搜索的社交网络链路预测方法 | |
| CN111310822B (zh) | 一种基于pu学习和随机游走的链接预测方法及装置 | |
| Xu et al. | Distributed semi-supervised learning with missing data | |
| Li et al. | Adaptive subgraph neural network with reinforced critical structure mining | |
| Yang et al. | Reinforcement causal structure learning on order graph | |
| Wang et al. | Unsupervised outlier detection for mixed-valued dataset based on the adaptive k-nearest neighbor global network | |
| CN115511145A (zh) | 一种基于子图网络和对比学习的化合物性质预测方法 | |
| CN113779385A (zh) | 基于复杂网络图嵌入的好友关注度度量排序方法及系统 | |
| CN111506832B (zh) | 一种基于块矩阵补全的异构对象补全方法 | |
| CN117151279A (zh) | 一种基于线图神经网络的同构网络链路预测方法及系统 | |
| CN113360772B (zh) | 一种可解释性推荐模型训练方法与装置 | |
| CN115577757A (zh) | 基于图卷积网络节点标签异构图的社区发现方法 | |
| CN115526293A (zh) | 一种顾及语义和结构信息的知识图谱推理方法 | |
| CN115063251A (zh) | 基于关系强度与反馈机制的社交传播动态网络表示方法 | |
| CN112417224A (zh) | 一种基于熵驱动的随机游走的图嵌入方法及系统 | |
| Wijayanto et al. | Predicting future potential flight routes via inductive graph representation learning |
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 |