论文部分内容阅读
链接预测是社会网络分析的基本问题和研究热点,在国防、生物和社交等领域中具有重要的研究和应用价值。传统基于监督学习的链接预测方法采用人工提取节点属性或拓扑结构特征,分类训练实现链接预测,但由于节点真实属性信息很难获得,网络拓扑特征提取浅显且冗余,导致算法普适性差和分类效果不佳。 本文通过研究节点间的局部拓扑及共邻关系,基于共邻紧密度构建了链接局部拓扑的有序节点序列,并用node2vec节点向量表达生成潜在链接的矩阵表示;基于卷积神经网络(Convolutional Neural Network,CNN)建立了链接预测的分类模型,采用CNN可变滤波器窗口卷积运算提取序列中共邻与节点对的多层隐含关系,分类训练实现链接的有效预测。并且,为提取链接序列中节点间长时依赖交互信息,融入长短期记忆网络(LongShort-Term Memory,LSTM)对模型进行加权池化。实验结果表明该方法的预测准确率具有显著提高,稳定性较强。 为强化链接局部网络中重要节点的连接驱动作用,比如核心共邻等,提出了基于注意力(Attention)机制的链接预测算法。通过分析链接局部网络中节点结构关系,设计了基于紧密游走的拓扑序列化方法,并采用双向循环神经网络(Bi-directional Recurrent Neural Network,Bi-RNN)对链接序列进行向量编码;基于Attention机制对输出的节点表示进行加权变换,将注意力集中在更重要的节点上,最终实现链接拓扑特征的自动提取与准确分类预测。实验结果表明该算法的预测效果优于基于CNN的预测方法,且运算效率也具有很大提升。